La normalisation radiométrique relative est une technique fondamentale pour l'analyse de la télédétection multi-temporelle, mais les méthodes traditionnelles présentent souvent des limites dans le traitement des distorsions non linéaires, des valeurs aberrantes et des conditions de couverture terrestre hétérogènes. Pour relever ces défis, cet article propose un cadre probabiliste basé sur la diffusion, modélisant l'incohérence radiométrique comme une combinaison de résidus déterministes et de perturbations aléatoires. Dans ce cadre, le processus direct modélise les caractéristiques multi-source des distorsions radiométriques par la superposition de bruit structuré et de bruit aléatoire, tandis que le processus inverse s'appuie sur une stratégie d'optimisation variationnelle à double objectif, reconstruisant la cohérence radiométrique tout en préservant les détails de l'image originale, réalisant ainsi une modélisation raffinée des distorsions radiométriques complexes sur le plan mathématique. Le design central est un réseau d'attention spatio-spectral, qui renforce dynamiquement la réponse des bandes clés et des structures texturales locales lors de l'extraction des caractéristiques, en fusionnant les modules d'attention spatiale et spectrale, permettant une capture efficace des dépendances inter-bandes et du contexte spatial multi-échelle. Pour améliorer davantage l'adaptabilité du modèle dans des scènes complexes, une stratégie de prétraitement basée sur l'indice de similarité structurelle a été conçue, guidant l'entraînement du modèle par la sélection automatique de régions pseudo-invariantes stables, réduisant efficacement les interférences causées par les changements d'objets et renforçant la représentativité des échantillons d'entraînement ainsi que la stabilité de la convergence du modèle. Les expériences complètes basées sur le jeu de données Sentinel-2 multi-temporel montrent que la méthode proposée surpasse constamment les méthodes comparables existantes selon les indicateurs quantitatifs, offrant non seulement une meilleure précision de recalibration radiométrique et fidélité spectrale, mais aussi des avantages significatifs en cohérence des indices de végétation et en préservation des détails texturaux. En résumé, ce réseau basé sur la diffusion offre une solution pratique pour la normalisation radiométrique relative des images de télédétection à grande échelle, pouvant être étendue à l'avenir à la fusion multisensorielle et à l'analyse de séries temporelles.

normalisation radiométrique relative; modèle de diffusion; mécanisme d'attention; apprentissage profond