딥러닝은 강력한 특징 학습 및 비선형 모델링 능력으로 인해 합성공간레이더 간섭계산(InSAR) 위상 필터링 분야에서 널리 활용되고 있다. 하지만 고잡음 및 조밀한 줄무늬 영역에서는 기존 방법들이 잡음 억제와 위상 정보 세부 보존을 동시에 충족시키기 어려운 실정이다. 이에 본 논문에서는 적응형 증강과 동적 선별 메커니즘(AATM; Adaptive Augmentation and dynamic Screening-based Technique Module)을 융합한 다중 스케일 InSAR 위상 필터링 방법을 제안한다. 해당 모델은 U-Net 네트워크를 기반으로 다중 스케일 특징 추출 및 단계별 융합 구조를 구성하였으며, 다양한 스케일에 AASTM 모듈을 삽입하여 간섭 위상 특징을 적응적으로 증강하고 동적으로 선별하여 위상 세부 보존과 잡음 억제의 균형을 이룬다. 또한 고잡음 및 조밀한 줄무늬 장면을 포괄하는 시뮬레이션 학습 데이터셋을 생성하기 위해 마름모-정사각형 격자망 생성법을 적용하여 복잡한 장면에서 네트워크의 강인성과 일반화 능력을 향상시켰다. 시뮬레이션 데이터와 육탐 1호(LT-1) A/B 이중위성 SAR 데이터를 활용하여 제안 방법의 필터링 효과를 실험적으로 검증하고 기존 필터링 방법과 비교하였다. 결과에 따르면 시뮬레이션 데이터에서는 제안 방법이 다른 필터링 방법에 비해 평균 제곱근 오차를 약 20% 감소시키고, 구조 유사도 지수를 약 18% 향상시키며, 최고 신호대잡음비를 약 5% 증가시켰다. 특히 고잡음 및 조밀한 줄무늬 영역에서 제안 방법은 위상 가장자리와 세부 보존 능력이 우수하였다. 실제 LT-1 A/B 데이터에서는 잔여 점 제거율이 90.42%에 달하며 위상 세부 정보 보존도 우수하였다. 종합하면, 본 논문이 제안한 방법은 필터링 정확도가 타 방법보다 현저히 우수하며, 조밀한 줄무늬 영역에서 위상 해상도와 세부 보존 능력이 뛰어나 LT-1 A/B 디지털 표고 모델의 정밀 역산에 신뢰성 있는 기술적 지원을 제공할 수 있다.

딥러닝;합성공간레이더 간섭계산;위상 필터링;적응형 증강;동적 선별