Diante das altas exigências de hardware para a implantação dos atuais modelos de reconstrução de super-resolução de imagens de sensoriamento remoto baseados em aprendizado profundo, este artigo projeta uma rede leve de reconstrução de super-resolução de imagens de sensoriamento remoto baseada em reparametrização de características residuais. Primeiramente, foi projetado um módulo residual de características locais utilizando o método de reparametrização para extrair eficazmente as características locais da imagem; considerando as características semelhantes que surgem dentro da imagem, foi projetado um módulo de contexto global leve para relacionar essas características semelhantes, elevando a capacidade de expressão das características da rede, e ajustando o fator de compressão de canais deste módulo para reduzir os parâmetros do modelo e melhorar seu desempenho; por fim, antes do módulo de upsampling, foi utilizado um módulo de fusão de múltiplas camadas de características para agregar todas as características profundas e produzir uma representação de características mais abrangente. Testado no conjunto de dados UC Merced, o algoritmo apresentou 539 K parâmetros para super-resolução 3x de imagens de sensoriamento remoto, pico de relação sinal-ruído de 30,01 dB, similaridade estrutural de 0,8449 e tempo de inferência do modelo de 0,010 s; enquanto o algoritmo HSENet apresentou 5.470 K parâmetros, pico de relação sinal-ruído de 30,00 dB, similaridade estrutural de 0,8420 e tempo de inferência de 0,059 s. Os resultados experimentais indicam que o algoritmo tem menos parâmetros, execução mais rápida, e um certo aprimoramento no pico de relação sinal-ruído e similaridade estrutural em comparação com o algoritmo HSENet. Testes no conjunto de dados de imagens naturais DIV2K também mostraram certas vantagens do algoritmo em relação a outros, comprovando sua forte capacidade de generalização.

super-resolução;sensoriamento remoto;contexto global;reparametrização;rede residual