الصور الفضائية البصرية هي مصدر بيانات حاسم؛ ومع ذلك، فإن تغطية السحب غالباً ما تؤثر على جودتها، مما يعيق تطبيقات الصور وتحليلها. نتيجة لذلك، أصبحت إزالة السحب من الصور الفضائية البصرية بشكل فعال اتجاهاً بحثياً بارزاً. رغم أن التقدم الحديث في إزالة السحب يعتمد بشكل أساسي على شبكات المواجهة التوليدية (Generative Adversarial Networks)، والتي قد تنتج جودة صورة غير مثلى، فقد أظهرت نماذج الانتشار (Diffusion Models) نجاحاً ملحوظاً في مهام مختلفة لتوليد الصور، مما يبرز إمكاناتها في التعامل مع هذا التحدي. يقدم هذا البحث إطاراً جديداً يُسمى DiffCR، والذي يستخدم الانتشار المشروط مع الشبكات العصبية التلافيفية العميقة لإزالة السحب بكفاءة عالية للصور الفضائية البصرية. وبشكل خاص، نقدم مشفراً منفصلاً لاستخراج الخصائص المرتبطة بالصور، مما يوفر تمثيلاً قوياً للألوان لضمان التشابه الوثيق للمعلومات البصرية بين المدخل الشرطي والمخرج المركب. بالإضافة إلى ذلك، نقترح كتلة دمج زمني وشرطي جديدة وكفوءة ضمن نموذج إزالة السحب لمحاكاة الدقة في العلاقة بين المظهر في الصورة الشرطية والصورة المستهدفة بتكلفة حوسبة منخفضة. أثبتت التقييمات التجريبية الواسعة على مجموعتي بيانات مرجعيتين شائعتين أن DiffCR يحقق باستمرار أفضل الأداء في جميع المقاييس، حيث تكون تعقيدات المعلمات والحوسبة 5.1٪ و5.4٪ فقط من تلك الطرق السابقة الأفضل. سيتم توفير الكود المصدر والنماذج المدربة مسبقاً وجميع النتائج التجريبية بشكل عام على الرابط https://github.com/XavierJiezou/DiffCR بعد قبول هذا العمل.希望这能满足您的需求。如果有任何进一步的修改或调整，请随时告知。