Modelos de difusão tradicionais usados na reconstrução de super-resolução de imagens de sensoriamento remoto enfrentam desafios como utilização insuficiente de condições a priori, etapas de amostragem longas e recuperação insuficiente de detalhes em altas frequências. Este artigo propõe uma rede de difusão condicional residual em duas etapas (TRCDSR), onde a primeira etapa utiliza um modelo CNN leve pré-treinado para gerar resultados iniciais de super-resolução, fornecendo uma priori estrutural de alta qualidade para o modelo de difusão; a segunda etapa introduz um mecanismo de difusão condicional residual, utilizando o sinal residual como entrada, permitindo que a rede de previsão de ruído se concentre na reconstrução de detalhes de alta frequência. Ao melhorar a fórmula de amostragem reversa DDIM, o processo de correção residual é desacoplado em um termo de previsão determinística e um termo de ruído aleatório, completando a reconstrução de alta qualidade em 20 a 50 passos. Além disso, foram introduzidos um módulo de aprimoramento de condições a priori em múltiplas escalas (PCEM) e um mecanismo de atenção que funde espaço e canal (FAN), aumentando a adaptabilidade do modelo a cenas complexas de sensoriamento remoto. Experimentos em vários conjuntos de dados de sensoriamento remoto, como AID, SECOND e RSSCN, demonstram que o TRCDSR apresenta melhor qualidade de reconstrução, eficiência computacional e capacidade de generalização em comparação com outros métodos baseados em modelos de difusão, GAN e Transformer.

modelo de difusão;reconstrução de super-resolução em sensoriamento remoto;rede residual;aprimoramento de condições a priori