Propõe-se um algoritmo de reconstrução de super-resolução para imagens de sensoriamento remoto baseado no reforço de priori condicional e modelo de difusão para abordar o problema de efeito borrado na reconstrução de pequenos alvos e perda de detalhes de alta frequência durante o processo de reconstrução. Primeiramente, por meio da fusão de um módulo de reforço de características rasas com múltiplos ramos que inclui convoluções padrão, convoluções dilatadas e atenção de coordenadas, a capacidade de percepção de pequenos alvos é aumentada. Em seguida, por meio do empilhamento de blocos densos residuais, extraem-se características com maior capacidade de representação enquanto se mantém a estabilidade do treinamento. Depois, foi projetado um módulo profundo de convolução separável em múltiplas escalas para extrair informações de priori em múltiplas escalas, prevenindo a perda de detalhes de alta frequência. Por fim, os módulos acima são combinados e usados como informações de priori ao modelo de difusão para guiar sua refinamento iterativo, gerando imagens de alta resolução. Os resultados experimentais nos conjuntos de dados públicos RSCNN7 e NWPU-RESISC45 mostraram que, para fatores de escala ×2, ×4 e ×8, este método alcançou melhores resultados em comparação com métodos baseados em diferentes arquiteturas de rede. Especificamente, no conjunto de dados RSCNN7, quando o fator de escala é ×4, o modelo proposto reduziu significativamente o Índice Perceptual (Perceptual Index, PI) e a métrica de avaliação de geração de imagens FID em 1,43 e 20,56, respectivamente, em comparação com o algoritmo SOTA baseado em modelo de difusão, e no que diz respeito aos efeitos visuais subjetivos, esteve mais próximo dos valores reais do que os algoritmos comparados.

super-resolução de imagem; modelo de difusão; reforço de características; extração de características multiescala