Traditionelle Diffusionsmodelle, die für die Superauflösungsrekonstruktion von Fernerkundungsbildern verwendet werden, weisen Probleme wie unzureichende Nutzung von A-priori-Bedingungen, lange Sampling-Schritte und schlechte Wiederherstellung hochfrequenter Details auf. In dieser Arbeit wird ein zweistufiges residuales bedingtes Diffusions-Superauflösungsnetzwerk (TRCDSR) vorgeschlagen. Die erste Stufe verwendet ein vortrainiertes leichtes CNN-Modell zur Erzeugung vorläufiger Superauflösungsergebnisse und stellt dem Diffusionsmodell hochwertige strukturelle A-priori-Daten bereit; die zweite Stufe führt einen residuellen bedingten Diffusionsmechanismus ein, der das Residuumsignal als Eingabe nutzt und das Rauschvorhersagenetzwerk auf die Hochfrequenzdetailrekonstruktion fokussiert. Durch die Verbesserung der inversen DDIM-Sampling-Formel wird der Residuums-Korrekturprozess in einen deterministischen Vorhersagetermin und einen Zufallsrauschenterm entkoppelt und die hochqualitative Rekonstruktion in 20 bis 50 Schritten abgeschlossen. Weiterhin werden ein multiskaliges A-priori-Bedingungsverstärkungsmodul (PCEM) und ein Aufmerksamkeitsmechanismus, der Raum- und Kanalinformationen integriert (FAN), eingeführt, um die Anpassungsfähigkeit des Modells an komplexe Fernerkundungsszenen zu verbessern. Experimente auf mehreren Fernerkundungsdatensätzen wie AID, SECOND und RSSCN zeigen, dass TRCDSR im Vergleich zu anderen Diffusionsmodell-, GAN- und Transformer-basierten Methoden eine bessere Rekonstruktionsqualität, Rechen-effizienz und Generalisierungsfähigkeit aufweist.

Diffusionsmodelle; Fernerkundungs-Superauflösung; Restnetzwerk; Verstärkung von A-priori-Bedingungen