Los modelos de difusión tradicionales utilizados para la reconstrucción de súper resolución en imágenes de teledetección enfrentan problemas como la utilización insuficiente de condiciones a priori, pasos de muestreo largos y mala recuperación de detalles de alta frecuencia. Este artículo propone una red de difusión condicional residual de dos etapas (TRCDSR), donde la primera etapa utiliza un modelo CNN ligero preentrenado para generar resultados iniciales de súper resolución, proporcionando un prior estructural de alta calidad para el modelo de difusión; la segunda etapa introduce un mecanismo de difusión condicional residual, usando la señal residual como entrada, lo que permite 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 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 a múltiples escalas (PCEM) y un mecanismo de atención que fusiona espacio y canal (FAN), fortaleciendo la adaptabilidad del modelo a escenas complejas de teledetección. Experimentos en varios conjuntos de datos de teledetección como AID, SECOND y RSSCN demuestran que TRCDSR tiene 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 súper resolución en teledetección;red residual;mejora de condiciones a priori