Une méthode de reconstruction super-résolue pour les images de télédétection basée sur le renforcement de l'a priori conditionnel et le modèle de diffusion est proposée pour résoudre le problème de reconstruction floue des petits objets et la perte des détails à haute fréquence lors du processus de reconstruction. Premièrement, un module d'amélioration des caractéristiques peu profondes est conçu en fusionnant des convolutions standard multi-branches, des convolutions dilatées et une attention aux coordonnées pour renforcer la capacité de perception des petits objets. Deuxièmement, en empilant des blocs denses résiduels, des caractéristiques à forte capacité de représentation sont extraites tout en maintenant la stabilité de l'entraînement. Ensuite, un module de convolution profonde séparable multi-échelle est conçu pour extraire des informations a priori multi-échelles, évitant la perte des détails à haute fréquence. Enfin, ces modules sont combinés et utilisés comme informations a priori dans le modèle de diffusion pour guider l'affinement itératif et générer des images haute résolution. Les résultats expérimentaux sur les ensembles de données publics RSCNN7 et NWPU-RESISC45 montrent que pour les facteurs d'échelle ×2, ×4 et ×8, cette méthode obtient de meilleurs résultats comparée aux méthodes basées sur différentes architectures de réseaux. En particulier, sur le jeu de données RSCNN7, à un facteur d'échelle ×4, le modèle proposé réduit significativement l'indice perceptuel (Perceptual Index, PI) et l'indice de qualité d'image FID de 1,43 et 20,56 respectivement par rapport à l'algorithme SOTA basé sur le modèle de diffusion, et les résultats visuels subjectifs sont plus proches des valeurs réelles par rapport aux méthodes comparées.

super-résolution d'image; modèle de diffusion; renforcement des caractéristiques; extraction de caractéristiques multi-échelle