相对辐射归一化（RRN）是多时相遥感分析的基础；然而，传统技术往往难以应对非线性失真、异常值污染和异质地表覆盖状况。为解决这些挑战，我们提出了一种基于扩散的概率框架，将辐射不一致性建模为确定性残差与随机扰动的结合。在该框架中，前向过程注入结构化噪声和随机扰动，而反向过程则通过双目标变分形式恢复辐射一致性。该框架的核心是空间–光谱注意力残差网络（SSARN），它将残差学习与双注意力机制相结合，以捕捉跨波段依赖性和多尺度空间上下文。由结构相似性指数（SSIM）引导的预处理阶段通过自动选择稳定的伪不变区域用于模型训练，进一步增强了稳健性。在多时相 Sentinel-2 数据集上的综合实验表明，所提出的方法始终优于现有方法，实现了更高的精度并增强了光谱保真度。此外，该框架确保了归一化植被指数（NDVI）具有更高的一致性并保留了细粒度纹理细节，凸显了其作为遥感应用中大规模 RRN 的可扩展且具稳健性解决方案的潜力。
Song et al. (Fri,) 对该问题进行了研究。