본 연구는 CAT-PRSR(CAT-PRSR)로 명명된 신뢰도 인지(confidence-aware) 트랜스포머 기반 초해상도(super-resolution) 프레임워크를 개발하고 평가하여 파노라마 치과 방사선 사진에서 화질과 진단 신뢰성을 향상시키는 것을 목표로 하였다. 총 1078장의 익명화된 파노라마 방사선 영상을 후향적으로 수집하였으며(훈련 950장, 테스트 128장), 트랜스포머 기반 SR 백본과 신뢰도 인지 학습 전략을 통합한 CAT-PRSR 프레임워크를 개발하였다. 본 모델은 픽셀 단위 불확실성 추정(pixel-wise uncertainty estimation)을 통해 적응적 학습을 가능하게 하여 진단적으로 관련 있는 영역에 집중하되, 잡음에 민감한 영역에서의 과도한 선명화(over-enhancement)를 최소화하면서 고해상도 출력을 생성한다. 모델 성능은 6개의 정량 지표—피크 신호대잡음비(peak signal-to-noise ratio, PSNR), 구조적 유사도 지수(structural similarity index, SSIM), 공간 상관 계수(spatial correlation coefficient, SCC), 자연 영상 품질 평가(natural image quality evaluator, NIQE), 학습된 지각 이미지 패치 유사도(learned perceptual image patch similarity, LPIPS), 프레셋 이니셉션 거리(Fréchet inception distance, FID)—및 평균 의견 점수(mean opinion score, MOS) 평가를 통해 검증하였다. 정량 성능에 기반하여 4배, 6배, 8배 확대에서 비교를 위해 4개의 대표적인 최신(state-of-the-art) SR 모델을 선정하였다. CAT-PRSR은 모든 지표와 확대 수준에서 우수한 성능을 보였다. 가장 높은 PSNR(4×에서 36.41, 6×에서 36.19, 8×에서 33.73)을 달성했으며, 최저 FID(각각 1.77, 9.29, 2.09)도 나타내어 모든 비교 모델을 능가하였다. MOS 평가에서 CAT-PRSR은 P > .05 수준에서 진단 유용성 점수가 기준(ground truth) 영상과 통계적으로 유사하게 유지된 반면, 다른 모델들은 P < .001 수준에서 유의한 저하를 보였다. 제안된 CAT-PRSR 프레임워크는 픽셀 수준의 충실도와 향상된 진단 신뢰성을 통합함으로써 파노라마 방사선 영상의 해상도를 향상시킬 잠재력을 보여주었다. 또한 CAT-PRSR 모델은 저해상도 조건에서 획득된 파노라마 방사선 사진의 진단 신뢰성을 향상시킬 수 있으며, 보다 정확한 임상적 의사결정을 지원하고 AI 기반 치과 연구를 위한 신뢰할 수 있는 영상 자원으로 활용될 수 있다.

대부분의 기존 PAN 샤프닝(pan-sharpening) 방법은 팬크로마틱(PAN) 영상과 다중분광(MS) 밴드 간의 완벽한 공정등록(co-registration)을 가정한다. 그러나 실제 항공 및 위성 영상 획득에서는 PAN–MS 간 불정합뿐 아니라 MS 채널들 간의 밴드 간 불정합도 빈번히 발생하며, 이로 인해 융합 품질이 크게 저하된다. 본 연구에서는 PAN 및 MS 정보를 융합하는 동시에 밴드 간 시프트를 함께 보정하는 강건한 PAN 샤프닝 프레임워크 RPM을 제안한다. 핵심 아이디어는 shift-to-align 학습 전략으로, 학습 과정에서 밴드별 임의 시프트를 도입하여 PAN 영상에 의해 유도되는 정렬 불변(alignment-invariant) 분광 융합을 네트워크가 학습하도록 한다. 명시적으로 정렬된 정답(ground truth)을 요구하지 않으면서도, RPM은 분광 충실도, 공간적 일관성 및 밴드 간 불정합에 대한 강건성을 강제한다. 여러 벤치마크 데이터셋에 대한 광범위한 실험 결과, RPM은 일관되게 최첨단 성능을 달성함을 보여준다. WV3 데이터셋에서는 최근 방법에 비해 ERGAS를 최대 2–3% 감소시키고 SAM은 약 1% 낮추며, PSNR, SCC, HQNR 및 Q8 점수는 0.1–0.2% 향상시킨다. 또한 RPM은 영상 패치당 밀리초(ms) 범위에서 추론을 수행하며, 이는 일반적으로 수 초가 소요되는 기존 접근법에 비해 1000배 이상 빠르다.