원격 탐사 영상의 독특한 획득 방식으로 인해 수집 과정이 잡음에 쉽게 영향을 받아 정보가 심각하게 손상되며, 실제 세계에서는 동일한 장면의 깨끗한 영상과 잡음 영상 쌍을 얻기 어렵다. 따라서 자가 지도 학습 기반 영상 잡음 제거가 인기 있는 연구 방향이 되었다. 복잡한 질감의 원격 탐사 영상에 대해 기존의 잡음 제거 방법은 세부 정보 손실과 배경 흐림 문제를 가지고 있다. 이에 본 논문에서는 특징 강화와 대조 학습을 기반으로 한 자가 지도 원격 탐사 영상 잡음 제거 알고리즘을 제안하며, 잡음 제거 분기와 대조 분기 두 부분으로 구성된다. 잡음 제거 분기에서는 먼저 특징 강화된 합성곱 오토인코더 잡음 제거 네트워크를 설계하고, 전역 특징 추출 모듈과 주의 모듈을 도입하여 다양한 스케일의 얕은 윤곽 특징과 국부 세부 특징을 각각 획득한다. 이후 동적 특징 강화 모듈을 이용해 수용 영역을 확장하여 더 많은 공간 구조 정보를 융합한다. 마지막으로 영상 재구성 모듈에서는 동적 적응 혼합 연산을 통해 깊고 얕은 층의 정보 흐름을 유지한다. 대조 분기에서는 대조 학습 전략을 통해 잡음 영상에 포함된 정보를 충분히 활용해 새로운 대조 인지 손실을 구성하고, 재구성 손실과 총 변분 손실을 결합해 잡음 제거 영상의 부드러움과 세부 유지 능력을 평가하여 배경 흐림 현상을 효과적으로 줄인다. 마지막으로 NWPU-RESISC45와 UC Merced Land Use 두 데이터셋에서 본 논문 방법을 다른 잡음 제거 방법들과 비교하였다. 결과는 Gaussian 잡음에서 평균 PSNR이 1.47~4.34 dB 및 2.06~4.95 dB 향상되었고, 평균 구조 유사도는 2.3%~11.8% 및 2.6%~11.5% 향상되었음을 보여준다. 또한 스펙클 잡음, 줄무늬 잡음 및 실제 잡음 원격 탐사 영상에서도 본 방법이 우수한 잡음 제거 효과를 얻었다.

원격 탐사;영상 잡음 제거;딥 러닝;자가 지도 학습;오토인코더;대조 학습;대조 인지 손실;세부 유지