Traditionelle Diffusionsmodelle, die für die Superauflösungsrekonstruktion von Fernerkundungsbildern verwendet werden, haben Herausforderungen wie unzureichende Nutzung von Priorbedingungen, lange Stichprobenverfahren und schlechte Wiederherstellung von Hochfrequenzdetails. Dieser Artikel stellt ein zweistufiges Residual-bedingtes Diffusions-Superauflösungsnetzwerk (TRCDSR) vor. In der ersten Stufe erzeugt ein vortrainiertes leichtes CNN-Modell erste Superauflösungsergebnisse, die dem Diffusionsmodell ein qualitativ hochwertiges Strukturprior liefern; in der zweiten Stufe wird ein Residual-bedingter Diffusionsmechanismus eingeführt, der das Residualsignal als Eingabe verwendet, damit sich das Rauschvorhersagenetz auf die Rekonstruktion von Hochfrequenzdetails konzentrieren kann. Durch Verbesserung der inversen DDIM-Sampling-Formel wird der Residualkorrekturprozess in einen deterministischen Vorhersageterm und einen zufälligen Rauschterm entkoppelt, wodurch eine hochwertige Rekonstruktion in 20 bis 50 Schritten abgeschlossen wird. Weiterhin werden ein mehrskaliges Priorbedingungs-Verstärkungsmodul (PCEM) und ein auf Fusion von Raum- und Kanalaufmerksamkeit basierender Mechanismus (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 auf Diffusionsmodellen, GAN und Transformer basierenden Methoden eine bessere Rekonstruktionsqualität, Recheneffizienz und Generalisierungsfähigkeit bietet.

Diffusionsmodell;Fernerkundung Superauflösung;Residualnetz;Priorbedingungsverstärkung