원격탐사 환경에서 영상 압축은 제한된 대역폭과 저장 용량으로 인해 고해상도 영상을 효율적으로 전송하고 저장하기 위해 필수적이다. 그러나 압축은 흔히 영상 품질 저하를 초래하며, 이로 인해 후처리 단계에서 압축 아티팩트 제거 기술이 요구된다. 딥 신경망은 영상 복원에서 주목할 만한 성능을 보여 왔지만, 기존의 대부분 방법은 원격탐사 환경에 특화된 압축 조건을 충분히 고려하지 못했으며 주로 합성 데이터셋에서 평가되었다. 이러한 문제를 해결하기 위해, 본 연구에서는 원격탐사 환경에서 압축된 영상의 지표면 상세 정보를 효과적으로 복원하는 다중도메인 적응형 공간–분광 변수 압축 아티팩트 제거 네트워크(MASCAR)를 제안한다. 입력 국소 패치를 서로 다른 도메인으로 분해하여 다양한 특징을 추출하는 다중도메인 국소-패치 협업 학습 전략을 도입한다. 또한, 미세 텍스처 상세 복원으로 네트워크의 초점을 유도하고 국소 패치의 픽셀 분포에 상당한 편차가 있는 원격탐사 영상을 안정적으로 학습할 수 있도록 하는 상세 중심화 접근법을 제안한다. 더 나아가, 복원된 영상의 디테일을 향상시키기 위한 디테일 향상 접근법도 제시한다. 아울러, 원격탐사 환경에서 알려지지 않은 압축 비율에 유연하게 대응하기 위해 통합된 압축 영상 품질 적응 메커니즘을 제안한다. 제안한 방법을 적용한 MASCAR의 성능은 합성 및 실제 원격탐사 데이터셋에서 평가하였다. 실험 결과는 제안 방법이 기존 방법에 비해 정량적 성능과 시각적 품질이 더 우수함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.