Les modèles de diffusion traditionnels utilisés pour la reconstruction ultra-résolue d'images de télédétection présentent des difficultés telles qu'une utilisation insuffisante des conditions a priori, des étapes d'échantillonnage longues et une mauvaise récupération des détails haute fréquence. Cet article propose un réseau de diffusion conditionnel à résidu en deux étapes (TRCDSR). La première étape utilise un modèle CNN léger pré-entraîné pour générer un premier résultat ultra-résolu, fournissant un a priori structurel de haute qualité pour le modèle de diffusion ; la deuxième étape introduit un mécanisme de diffusion conditionné par le résidu, prenant le signal résiduel en entrée, permettant au réseau de prédiction du bruit de se concentrer sur la reconstruction des détails haute fréquence. En améliorant la formule d'échantillonnage inverse DDIM, le processus de correction du résidu est découplé en une partie prédictive déterministe et une partie bruit aléatoire, réalisant une reconstruction de haute qualité en 20 à 50 étapes. De plus, un module d'amélioration des conditions a priori multi-échelle (PCEM) et un mécanisme d'attention fusionnant espace et canal (FAN) sont introduits, renforçant l'adaptabilité du modèle aux scènes complexes de télédétection. Les expériences sur plusieurs ensembles de données de télédétection tels que AID, SECOND et RSSCN démontrent que TRCDSR offre une meilleure qualité de reconstruction, une efficacité de calcul et une capacité de généralisation comparées à d'autres méthodes basées sur des modèles de diffusion, GAN et Transformer.

modèle de diffusion;reconstruction ultra-résolue en télédétection;réseau résiduel;renforcement des conditions a priori