Los modelos de difusión tradicionales para la reconstrucción de superresolución de imágenes de teledetección enfrentan problemas como el uso insuficiente de condiciones a priori, pasos de muestreo prolongados y mala recuperación de detalles de alta frecuencia. Este artículo propone una red de difusión condicional residual de dos etapas (TRCDSR). La primera etapa utiliza un modelo CNN ligero preentrenado para generar resultados preliminares de superresolución que proporcionan una condicional estructural de alta calidad para el modelo de difusión; la segunda etapa introduce un mecanismo de difusión condicional residual que utiliza la señal residual como entrada, permitiendo que la red de predicción de ruido se enfoque en la reconstrucción de detalles de alta frecuencia. Mejorando la fórmula de muestreo inverso DDIM, el proceso de corrección residual se desacopla en un término determinista de predicción y un término de ruido aleatorio, logrando una reconstrucción de alta calidad en 20 a 50 pasos. Además, se introducen un módulo de mejora de condiciones a priori multiescala (PCEM) y un mecanismo de atención que fusiona espacio y canal (FAN), fortaleciendo la adaptación del modelo a escenarios complejos de teledetección. Los experimentos en varios conjuntos de datos de teledetección como AID, SECOND y RSSCN muestran que TRCDSR ofrece mejor calidad de reconstrucción, eficiencia computacional y capacidad de generalización en comparación con otros métodos basados en modelos de difusión, GAN y Transformer.

modelo de difusión;reconstrucción de superresolución de teledetección;red residual;mejora de condiciones a priori