Traditionelle Diffusionsmodelle zur Superauflösungsrekonstruktion von Fernerkundungsbildern leiden unter Problemen wie unzureichender Nutzung von Vorbedingungen, langen Sampling-Schritten und schlechter Wiederherstellung hochfrequenter Details. Dieser Artikel schlägt ein zweistufiges Residual Conditional Diffusion Super-Resolution Network (TRCDSR) vor. Die erste Stufe verwendet ein vortrainiertes leichtgewichtiges CNN-Modell zur Erzeugung vorläufiger Super-Resolution-Ergebnisse und liefert hochwertige strukturelle Vorbedingungen für das Diffusionsmodell; die zweite Stufe führt einen residualen konditionalen Diffusionsmechanismus ein, der das Restsignal als Eingang nutzt, sodass das Rauschvorhersagenetzwerk sich auf die Rekonstruktion hochfrequenter Details konzentrieren kann. Durch die Verbesserung der inversen DDIM-Sampling-Formel wird der Restkorrekturprozess in eine deterministische Vorhersagekomponente und eine stochastische Rauschkomponente entkoppelt, wodurch eine hochwertige Rekonstruktion in 20 bis 50 Schritten erreicht wird. Weiterhin werden ein mehrstufiges Vorbedingungsverstärkungsmodul (PCEM) und ein verschmolzener Raum-Kanal-Aufmerksamkeitsmechanismus (FAN) eingeführt, um die Anpassungsfähigkeit des Modells an komplexe Fernerkundungsszenarien zu verbessern. Experimente auf mehreren Fernerkundungs-Datensätzen wie AID, SECOND und RSSCN zeigen, dass TRCDSR im Vergleich zu anderen auf Diffusionsmodellen, GAN und Transformer basierenden Methoden eine bessere Rekonstruktionsqualität, Recheneffizienz und Generalisierungsfähigkeit aufweist.

Diffusionsmodell;Superauflösungsrekonstruktion Fernerkundung;Residualnetzwerk;Vorbedingungsverstärkung