2 Diffusion Super-Resolution算法
基于条件控制扩散模型的创新方法
2.1 包含注意力机制与残差链接的超分辨率扩散模型
本文提出了一种基于扩散模型，以高分辨率图像作为控制条件，实现遥感图像超分辨率算法（Diffusion Super-Resolution，DSR）。
在网络输入设计部分，本文从高分辨率遥感图像中随机裁剪设定大小的图像块作为高分辨率样本，利用降采样得到对应的低分辨率图像，并通过线性插值将低分辨率图像放大到高分辨率尺寸。
将插值后的低分辨率图像作为条件与加噪后的图像拼接送入U-Net噪声预测网络，进行预测噪声的训练。
图1 DSR算法结构
图2 ResnetBlock与ConvNeXtBlock结构比较
噪声预测模型采用ResNetBlock与ConvNeXtBlock混合的U-Net网络结构。主要分为下采样模块，中间模块与上采样模块。
根据从低分辨率到高分辨率尺寸超分辨率的需要，在特征图尺寸大小为低分辨率时添加自注意力机制，用以将更高维度信息保留，提升模型预测噪声的能力。
使用ResNetBlock解决深度网络中的退化问题，允许网络在前期学习得到的知识顺利传输到网络后期。结合ConvNeXtBlock更好的适应不同尺度的特征。
2.2 扩散过程与损失函数
图3 原始遥感图像逐步添加噪声过程
图4 从高斯噪声逐步去噪恢复图像的过程
改进的损失函数
L1损失函数
||x₀ - x̂₀||
对异常值不太敏感，提供稳健性
L2损失函数
(x₀ - x̂₀)²
对于数据的小偏差更敏感，提供精确性
SSIM指标
结构相似性
确保图像在结构上的保真度
组合损失函数：
Loss = (L1 + L2)/2 + SSIM/2
2.3 评价指标
实验结果使用PSNR与SSIM指标对各组算法结果进行评估。PSNR是一种基于像素的度量，主要关注图像的数据保真度，而SSIM则关注图像的视觉感知质量，比如亮度、对比度和结构的相似性。
PSNR峰值信噪比
较高的PSNR值表明失真较少，反之，失真越多。针对灰度图像，PSNR计算公式如下：
PSNR(f, g) = 10log₁₀(255²/MSE(f, g))
结构相似性指数(SSIM)
用于测量两幅图像的相似性，能够更好反映人类视觉的感受。考虑了亮度、对比度和结构三个维度。
SSIM(x,y) = (2μₓμᵧ + C₁)(2σₓᵧ + C₂)/((μₓ² + μᵧ² + C₁)(σₓ² + σᵧ² + C₂))
