단일 이미지 초해상도(SISR)는 열화 과정에서 정보가 손실되기 때문에 본질적으로 ill-posed 문제이다. 즉, 단일 저해상도(LR) 이미지는 다수의 그럴듯한 고해상도(HR) 복원 결과에 대응된다. 최근의 확률적 SISR 접근법은 조건부 분포를 모델링함으로써 이러한 문제를 다루고 있으나, 일반적으로 등방성 가우시안(prior) 사전분포를 가정하여 이미지 전반에 걸친 불확실성의 공간적 변이를 간과한다. 본 논문에서는 추정된 불확실성 맵에 의해 조절되는 이방성 가우시안(prior) 사전분포를 통합한, 불확실성 기반의 새로운 확률적 SISR 프레임워크를 제안한다. 우리의 모델은 LR 입력으로부터 공간적으로 변하는 aleatoric 불확실성을 명시적으로 학습하고, 이를 잠재 노이즈의 샘플링을 안내하는 데 사용한 뒤, 결정론적 SISR 기준(baseline) 상에서 잔차(residual)를 복원하기 위해 디코더에 주입한다. 이 접근법은 SISR 과제의 일대다(one-to-many) 성격을 포착할 뿐 아니라, 사전 학습된 결정론적 예측을 중심으로 생성을 수행함으로써 높은 픽셀 수준의 충실도도 보존한다. 광범위한 실험 결과, 본 방법은 왜곡(distortion)과 지각(perceptual) 품질 모두에서 최신 기술 수준의 성능을 달성하며, 특히 생성 모델 기반 최선의 방법들을 PSNR에서 +0.44, LPIPS에서 -0.008의 동시 성능 향상으로 능가하면서도 계산 비용은 더 낮다.

데이터 증강은 수년 동안 특히 제한적이고 불충분한 데이터가 있는 상황에서 모델 성능을 향상시키기 위해 컴퓨터 비전 분야에서 괄목할 만한 발전을 보여왔다. 현재 대부분의 연구는 객체 검출을 포함한 다양한 과제에서 학습 중 이미지 또는 그 특징을 조정하여 샘플의 크기, 품질 및 다양성을 확장하는 데 초점을 맞추고 있다. 그러나 우리는 특히 항공(항공 촬영) 영상에서는 바운딩 박스 주석이 일관되지 않을 수 있으므로, 이미지 수준의 변환이 아니라 데이터 증강 기법으로서 바운딩 박스 변환을 조사할 필요가 있다고 주장한다. 이에 본 투고 논문에서는 원격탐사 객체 검출을 위해 스케일링, 회전, 그리고 평행이동 측면에서 바운딩 박스 변환에 대한 철저한 분석을 제시한다. 우리는 이 증강 전략을 NBBOX(Noise Injection into Bounding Box)라고 명명한다. DOTA 및 DIOR-R에 대해 방대한 실험을 수행하였으며, 두 데이터셋 모두 항공 이미지에 존재하는 다양한 회전된 일반 객체를 포함하는 잘 알려진 데이터셋이다. 실험 결과, 우리의 접근법은 불필요한 과장이나 장식 없이 원격탐사 객체 검출 성능을 유의미하게 향상시키며, 다른 최신 증강 전략에 비해 시간 효율이 더 높음을 보인다.

자동화된 의료 영상 캡션 생성은 복잡한 방사선학적 영상을 진단적 서술로 변환하여 판독/보고 워크플로를 지원할 수 있다. 본 연구에서는 교차-어텐션 이전에 진단적으로 중요한 영역을 증폭하는 경량 지역 어텐션 모듈을 갖춘 Swin-BART 인코더-디코더 시스템을 제시한다. ROCO에서 훈련 및 평가한 결과, 본 모델은 해석 가능하면서도 간결한 구성을 유지하는 가운데 최첨단 수준의 의미 충실도를 달성한다. 우리는 세 가지 시드에 대한 mean$\pm$std로 결과를 보고하며, 95% 신뢰구간을 포함한다. 기준 모델과 비교하여, 본 접근법은 ROUGE에서 개선을 보였고(제안 0.603, ResNet-CNN 0.356, BLIP2-OPT 0.255), BERTScore에서도 개선을 보였으며(제안 0.807, BLIP2-OPT 0.645, ResNet-CNN 0.623), BLEU, CIDEr, METEOR에서는 경쟁력 있는 성능을 보인다. 또한 우리는 추가적으로 열거형태의 실험(지역 어텐션 on/off 및 토큰 수 카운트 스윕), 양식별 분석(CT/MRI/X-ray), 짝지은 유의성 검정, 그리고 각 서술을 유도하는 영역을 시각화하는 정성적 히트맵을 제공한다. 디코딩은 빔 서치(빔 크기 $=4$), 길이 패널티 $=1.1$, $no\_repeat\_ngram\_size$ $=3$, 최대 길이 $=128$을 사용한다. 제안된 설계는 정확한 임상적 문구의 캡션과 투명한 영역 기반 귀속을 제공하며, 인간이 개입하는(human in the loop) 안전한 연구 활용을 지원한다.

최근 위성 기반 감시정찰 시스템은 주요 국가에서 군사적으로 중요한 기술로 주목받고 있다. 그러나 군 표적탐지를 위한 대규모의 훈련용 위성영상 확보는 높은 수집 비용과 보안 문제로 인해 현실적으로 어려움을 겪고 있다. 본 논문에서는 이를 극복하기 위해, 유명한 군사 시뮬레이션 게임 중 하나인 Arma 3을 활용한 가상의 군 표적탐지용 위성영상 및 레이블 생성 알고리즘을 제안한다. Arma 3은 현실적인 군사 장비와 환경을 제공하므로, 군 표적탐지 연구에 필요한 고품질의 가상 데이터를 생성할 수 있다. 특히 본 논문은 제안하는 알고리즘으로 구축한 데이터셋이 실세계 데이터를 보완하는 데 효과적임을 DOTA 데이터셋 및 웹 스크래핑으로 얻은 군사 이미지를 활용하여 검증하였다.