원격 탐사 영상의 독특한 획득 방식으로 인해 수집 과정에서 잡음 간섭을 받기 쉽고, 이로 인해 정보가 심각하게 손상되며 실제 세계에서는 동일 장면의 깨끗한 이미지와 잡음 이미지 쌍을 얻기 어렵다. 따라서 자가 지도 기반 이미지 잡음 제거는 인기 있는 연구 분야가 되었다. 복잡한 질감의 원격 탐사 영상에 대해 기존의 잡음 제거 방법들은 세부 정보 손실과 배경 흐림 문제를 가지고 있다. 이를 해결하기 위해 본 논문은 특징 강화와 대조 학습에 기반한 자가 지도 원격 탐사 영상 잡음 제거 알고리즘을 제안하며, 잡음 제거 분기와 대조 분기의 두 부분으로 구성된다. 잡음 제거 분기에서는 먼저 특징 강화된 컨볼루션 오토인코더 잡음 제거 네트워크를 설계하여 전역 특징 추출 모듈과 주의력 추출 모듈을 도입해 서로 다른 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 모듈에서 동적 적응 혼합 연산을 통해 깊고 얕은 층의 정보 흐름을 유지한다. 대조 분기에서는 대조 학습 전략을 통해 잡음 이미지가 가진 정보를 충분히 활용해 새로운 대조 인지 손실을 구축하고, 재구성 손실과 총 변분 손실을 함께 사용하여 잡음 제거 영상의 부드러움과 세부 유지 능력을 평가하여 배경 흐림 현상을 효과적으로 줄인다. 마지막으로 NWPU-RESISC45와 UC Merced Land Use 두 데이터셋에서 제안한 방법을 다른 잡음 제거 방법과 비교하였다. 결과는 제안한 방법이 가우시안 잡음에서 평균 피크 신호 대 잡음비를 1.47~4.34 dB 및 2.06~4.95 dB 향상시키고, 평균 구조적 유사도를 2.3%~11.8% 및 2.6%~11.5% 향상시켰음을 보여준다. 또한 산점 잡음, 줄무늬 잡음 및 실제 잡음 원격 탐사 영상에서도 좋은 잡음 제거 효과를 얻었다.

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