従来の拡散モデルは、リモートセンシング画像の超解像再構築において、事前条件の活用不足、サンプリングステップの長さ、高周波ディテールの復元不良などの課題があります。本論文では、二段階残差条件拡散超解像ネットワーク（TRCDSR）を提案します。第一段階では、事前学習済みの軽量CNNモデルを用いて、拡散モデルに高品質な構造事前情報を提供するための初期超解像結果を生成します。第二段階では、残差条件拡散メカニズムを導入し、残差信号を入力として、ノイズ予測ネットワークが高周波ディテールの復元に集中できるようにします。DDIM逆向きサンプリング式を改良し、残差補正プロセスを確定的予測項と確率的ノイズ項に分離し、20～50ステップで高品質な再構築を完了します。さらに、多尺度事前条件拡張モジュール（PCEM）と空間・チャネル融合注意機構（FAN）を導入し、複雑なリモートセンシングシーンへのモデル適応能力を強化しました。AID、SECOND、RSSCN等の複数のリモートセンシングデータセットでの実験により、TRCDSRは他の拡散モデル、GAN、Transformerベースの手法と比較して、より優れた再構築品質、計算効率、汎化能力を示しました。

拡散モデル;リモートセンシング超解像再構築;残差ネットワーク;事前条件強化