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.

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