공간‑스펙트럼 사전 학습을 통한 고해상도 하이퍼스펙트럼 이미지 복원

초록

본 논문은 제한된 학습 데이터와 높은 스펙트럼 차원을 가진 하이퍼스펙트럼(HSI) 이미지의 단일 프레임 초해상도(SR) 문제를 해결하기 위해, 공간‑스펙트럼 사전 네트워크(SSPN)를 설계하고, 그룹 컨볼루션과 단계적 업샘플링을 결합한 SSPSR 프레임워크를 제안한다. 공간‑스펙트럼 블록(SSB)에서 공간 잔차 모듈과 스펙트럼 어텐션 잔차 모듈을 병렬로 활용해 두 종류의 사전을 동시에 학습함으로써, 기존 방법 대비 세부 구조와 스펙트럼 일관성을 크게 향상시킨다.

상세 분석

SSPSR은 하이퍼스펙트럼 이미지 초해상도에 적용 가능한 최초의 ‘공간‑스펙트럼 사전’ 기반 딥러닝 구조로, 세 가지 핵심 설계 원칙을 따른다. 첫째, 하이퍼스펙트럼 데이터는 수백 개의 연속 밴드로 이루어져 있어 차원 저주 문제가 심각하다. 이를 완화하기 위해 논문은 동일 파라미터를 공유하는 그룹 컨볼루션을 도입한다. 입력 스펙트럼을 여러 겹으로 나누어 각 그룹에 동일한 서브 네트워크를 적용함으로써 파라미터 수를 크게 줄이고, 작은 그룹당 학습 난이도를 낮춘다. 둘째, 한 번에 큰 업샘플링 비율을 적용하면 학습 불안정과 정보 손실이 발생한다. 저자는 ‘점진적 업샘플링’ 전략을 채택해, 각 그룹에서 낮은 배율(예: 2×)로 먼저 복원한 뒤, 전역 네트워크에서 최종 목표 배율까지 점차 확대한다. 이 단계적 접근은 고해상도 스펙트럼 구조를 점진적으로 정교화하도록 유도한다. 셋째, 공간‑스펙트럼 사전 블록(SSB)은 두 서브 모듈로 구성된다. 공간 잔차 모듈은 2‑D 잔차 블록을 사용해 전통적인 이미지 SR에서 검증된 공간 특징을 효율적으로 추출한다. 스펙트럼 어텐션 잔차 모듈은 채널‑차원(스펙트럼)에 어텐션 메커니즘을 적용해, 각 밴드 간 상관관계를 가중치로 학습한다. 이 어텐션은 스펙트럼 간의 비선형 의존성을 강조함으로써, 단순 3‑D 컨볼루션이 놓치기 쉬운 미세한 스펙트럼 변화를 복원한다. 또한, SSB는 짧은 스킵 연결(잔차)과 긴 스킵 연결(전역 잔차‑인‑잔차)으로 구성돼, 그래디언트 흐름을 원활히 하고 깊은 네트워크에서도 학습이 붕괴되지 않도록 설계되었다. 실험에서는 두 개의 공개 HSI 데이터셋(예: CAVE, ICVL)에서 2×, 4×, 8× 업샘플링을 수행했으며, PSNR/SSIM 및 스펙트럼 각도(SAM) 지표에서 기존 최첨단 방법들(SR‑3D, GDRRN, RCAN‑adapted 등)을 모두 능가했다. 특히, 파라미터 수가 30 % 이하로 감소했음에도 불구하고, 복원된 이미지의 세부 텍스처와 스펙트럼 일관성은 현저히 향상되었다. 이러한 결과는 그룹 컨볼루션과 점진적 업샘플링이 데이터 부족 상황에서도 안정적인 학습을 가능하게 함을 입증한다. 전체적으로 SSPSR은 ‘공간‑스펙트럼 사전’이라는 새로운 설계 패러다임을 제시함으로써, 하이퍼스펙트럼 SR 분야에서 효율성과 정확성을 동시에 달성한 점이 가장 큰 공헌이라 할 수 있다.