Se propone un algoritmo de reconstrucción de súper resolución para imágenes de teledetección basado en el refuerzo de priori condicionado y un modelo de difusión, para abordar el problema de efecto borroso en la reconstrucción de pequeños objetivos y la pérdida de detalles de alta frecuencia durante el proceso de reconstrucción. Primero, mediante la fusión de un módulo de mejora de características superficiales con múltiples ramas que incluye convoluciones estándar, convoluciones dilatadas y atención de coordenadas, se mejora la capacidad de percepción de pequeños objetivos. Segundo, mediante el apilamiento de bloques densos residuales, se extraen características con mayor capacidad representativa manteniendo la estabilidad del entrenamiento. Luego, se diseña un módulo de convolución separable profunda en múltiples escalas para extraer información priori multi-escala, evitando la pérdida de detalles de alta frecuencia. Finalmente, los módulos anteriores se combinan y se usan como información priori de entrada en el modelo de difusión, guiando su refinamiento iterativo para generar imágenes de alta resolución. Los resultados experimentales en los conjuntos de datos públicos RSCNN7 y NWPU-RESISC45 muestran que, para factores de escala ×2, ×4 y ×8, este método logra mejores resultados en comparación con métodos basados en diferentes arquitecturas de red. En particular, en el conjunto de datos RSCNN7, cuando el factor de escala es ×4, el modelo propuesto reduce significativamente el índice perceptual (Perceptual Index, PI) y la métrica de evaluación de generación de imágenes FID en 1.43 y 20.56 respectivamente, en comparación con el algoritmo SOTA basado en modelos de difusión, y en cuanto a efectos visuales subjetivos, se acerca más a los valores reales que los algoritmos comparativos.

súper resolución de imágenes; modelo de difusión; refuerzo de características; extracción de características multi-escala