La normalización radiométrica relativa es una técnica fundamental para el análisis multitemporal de teledetección, pero los métodos tradicionales a menudo presentan limitaciones al tratar con distorsiones no lineales, valores atípicos y condiciones heterogéneas de cobertura terrestre. Para abordar estos desafíos, este artículo propone un marco probabilístico basado en difusión, que modela la inconsistencia radiométrica como una combinación de residuos deterministas y perturbaciones aleatorias. En este marco, el proceso directo simula las características multifuente de las distorsiones radiométricas mediante la superposición de ruido estructurado y aleatorio, mientras que el proceso inverso se basa en una estrategia de optimización variacional de doble objetivo, reconstruyendo la coherencia radiométrica mientras conserva los detalles originales de la imagen, logrando así un modelado detallado de las distorsiones radiométricas complejas a nivel matemático. El diseño central es una red de atención espacio-espectral, que a través de la fusión de módulos de atención espacial y espectral, fortalece dinámicamente la respuesta de bandas clave y las estructuras locales de textura durante el proceso de extracción de características, logrando una captura eficiente de las dependencias interbandas y el contexto espacial multiescala. Para mejorar la capacidad de adaptación del modelo en escenarios complejos, se diseñó una estrategia de preprocesamiento basada en el índice de similitud estructural, que guía el entrenamiento del modelo mediante la selección automática de regiones pseudo-invariantes estables, reduciendo eficazmente las interferencias causadas por cambios en los objetos, y mejorando la representatividad de las muestras de entrenamiento y la estabilidad de la convergencia del modelo. Experimentos integrales basados en conjuntos de datos multitemporales Sentinel-2 muestran que el método propuesto supera continuamente a los métodos comparativos existentes en indicadores cuantitativos, ofreciendo no solo una mayor precisión en la corrección radiométrica y una mayor fidelidad espectral, sino también ventajas significativas en la coherencia de los índices de vegetación y la preservación de detalles texturales. En resumen, esta red basada en difusión proporciona una solución práctica y adaptable para la normalización radiométrica relativa de grandes imágenes de teledetección, con potencial para futuras ampliaciones en fusión multisensor y análisis de series temporales.

Normalización radiométrica relativa;Modelo de difusión;Mecanismo de atención;Aprendizaje profundo