Les modèles de diffusion traditionnels utilisés pour la super-résolution des images de télédétection rencontrent des problèmes tels que l’utilisation insuffisante des conditions a priori, des étapes d’échantillonnage longues et une récupération médiocre des détails à haute fréquence. Cet article propose un réseau de super-résolution par diffusion conditionnelle résiduelle en deux phases (TRCDSR). La première phase utilise un modèle CNN léger pré-entraîné pour générer un résultat préliminaire de super-résolution, fournissant un a priori structurel de haute qualité au modèle de diffusion ; la deuxième phase introduit un mécanisme de diffusion conditionnelle résiduelle, utilisant le signal résiduel comme entrée, permettant au réseau de prédiction du bruit de se concentrer sur la reconstruction des détails à haute fréquence. En améliorant la formule d’échantillonnage inverse DDIM, le processus de correction du résidu est découplé en une prédiction déterministe et une composante de bruit aléatoire, permettant une reconstruction de haute qualité en 20 à 50 étapes. De plus, un module d’amélioration des conditions a priori multi-échelles (PCEM) et un mécanisme d’attention fusionnant l’espace et les canaux (FAN) sont introduits pour renforcer la capacité du modèle à s’adapter à des scènes complexes de télédétection. Les expériences sur plusieurs jeux de données de télédétection tels que AID, SECOND, RSSCN démontrent que TRCDSR surpasse les autres méthodes basées sur les modèles de diffusion, les GAN et les Transformers en termes de qualité de reconstruction, d’efficacité calculatoire et de capacité de généralisation.

modèles de diffusion; super-résolution en télédétection; réseau résiduel; renforcement des conditions a priori