Los modelos de difusión tradicionales utilizados para la reconstrucción de súper resolución de imágenes de teledetección enfrentan desafíos como el uso insuficiente de condiciones a priori, pasos de muestreo largos y pobre recuperación de detalles de alta frecuencia. Este artículo propone una red de súper resolución por difusión condicional residual en dos etapas (TRCDSR). La primera etapa utiliza un modelo CNN ligero preentrenado para generar resultados preliminares de súper resolución, proporcionando a la modelo de difusión un priori estructural de alta calidad; la segunda etapa introduce un mecanismo de difusión condicional residual usando la señal residual como entrada, permitiendo que la red de predicción de ruido se enfoque en la reconstrucción de detalles de alta frecuencia. Mediante la mejora de la fórmula de muestreo inverso DDIM, el proceso de corrección residual se desacopla en un término de predicción determinista y un término de ruido aleatorio, completando la 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 capacidad del modelo para adaptarse a escenas complejas de teledetección. Experimentos en varios conjuntos de datos de teledetección como AID, SECOND y RSSCN demuestran que TRCDSR tiene mejores resultados en calidad de reconstrucción, eficiencia computacional y capacidad de generalización en comparación con otros métodos basados en modelos de difusión, GAN y Transformer.

modelos de difusión; reconstrucción de súper resolución en teledetección; red residual; mejora de condiciones a priori