다중해상도 정밀 정합 SAR‑광학 대규모 데이터셋

초록

SOMA‑1M은 전 세계 0.5 m·3 m·10 m 세 가지 해상도를 아우르는 130만 쌍의 SAR‑광학 이미지쌍을 픽셀 수준으로 정밀 정합한 데이터셋이다. 12개 토지피복 클래스를 포함하고, 자동화된 coarse‑to‑fine 정합 파이프라인을 통해 정합 오차를 최소화하였다. 이미지 매칭·퓨전·SAR‑보조 구름 제거·광학‑SAR 변환 등 4가지 핵심 과제에 대한 베이스라인을 제공하며, 모든 과제에서 기존 방법 대비 성능 향상을 입증한다.

상세 분석

SOMA‑1M은 기존 멀티모달 원격탐사 데이터셋이 갖는 “규모‑해상도‑정합 정확도” 삼각형의 불균형을 근본적으로 해소한다. 첫째, Sentinel‑1, PIESAT‑1, Capella Space 등 다양한 SAR 센서와 Google Earth 광학 영상을 결합해 0.5 m(초고해상도), 3 m(중해상도), 10 m(저해상도) 세 단계의 GSD를 동시에 제공한다. 이는 전역적인 커버리지를 유지하면서도 도시·농경·산림 등 복합적인 지형을 세밀하게 포착한다는 의미다. 둘째, 1.3 M 쌍이라는 데이터 규모는 현재 공개된 멀티모달 데이터셋 중 최고 수준이며, 512 × 512 픽셀 크기의 정사각형 패치 형태로 설계돼 대규모 딥러닝 모델(예: 트랜스포머 기반 비전 모델)의 사전학습에 최적화된다. 셋째, 저자들은 “coarse‑to‑fine” 정합 프레임워크를 구축했다. 초기에는 메타데이터 기반의 지오코딩으로 대략적인 정렬을 수행하고, 이후 다중스케일 피라미드와 변형 가능한 매칭 네트워크를 이용해 비선형 기하 변형을 보정한다. 이 과정에서 서브픽셀 수준의 정합 오차를 달성했으며, 정합 품질을 정량적으로 검증하기 위해 인공적인 변형을 가한 검증 세트를 별도 제공한다.

네 가지 벤치마크 과제는 각각 멀티모달 연구의 핵심 문제를 대표한다. 이미지 매칭에서는 기존 SIFT·SURF 기반 전통 방법과 최신 SuperGlue·LightGlue 등 딥러닝 매처를 30여 종 테스트했으며, SOMA‑1M으로 사전학습한 모델이 평균 매칭 정확도에서 12 %p 이상 향상되었다. 이미지 퓨전에서는 SAR의 구조적 정보와 광학의 스펙트럼 정보를 결합한 딥러닝 기반 피라미드 합성 기법이 PSNR·SSIM 모두에서 기존 데이터셋 대비 1.5 dB·0.03의 개선을 보였다. SAR‑보조 구름 제거 실험에서는 구름 마스크와 SAR 데이터를 입력으로 하는 조건부 GAN이 구름 제거 후 시각적 품질과 NDVI 복원 정확도에서 현존 최고 수준을 기록했다. 마지막으로 SAR‑to‑Optical 변환에서는 Pix2Pix, CycleGAN, 최근의 Diffusion 기반 모델을 비교했으며, 다중해상도 정합이 제공하는 정확한 위치 정보가 변환 이미지의 구조적 일관성을 크게 높였다.

또한 저자들은 데이터셋의 도메인 격차를 분석했다. 0.5 m와 10 m 해상도 사이의 스케일 차이가 모델의 일반화에 미치는 영향을 정량화했으며, 멀티스케일 학습 전략(예: 스케일 혼합 배치, 해상도 별 어댑터)으로 이러한 격차를 완화할 수 있음을 보였다. 데이터셋에 포함된 구름 시뮬레이션은 다양한 구름 두께와 형태를 체계적으로 변형해 SAR‑보조 복원 연구에 표준 테스트베드를 제공한다.

전반적으로 SOMA‑1M은 멀티모달 원격탐사 분야에서 대규모 사전학습, 정밀 정합, 다중해상도 일반화 연구를 동시에 가능하게 하는 획기적인 인프라로 평가된다.