PyTorchKR Papers

최신 논문

총 10편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.23238v2cs.CV

SARATR-X-v2: SAR 파운데이션 모델을 위한 스케일 인식 구조적 사전학습

SARATR-X-v2: Scale-Aware Structural Pre-Training for SAR Foundation Models

마스크드 이미지 모델링(masked image modeling)은 SAR 사전학습의 지배적 패러다임이 되었으나, 복원 목표(reconstruction target) 설계는 근본적으로 아직 정립되지 않았다. 본 논문은 SAR 사전학습 목표가 전이 가능한 표현(representation)을 만들려면 두 가지 조건을 만족해야 한다고 주장한다: (i) 물리 기반 안정성(physics-grounded stability), 즉 코히런트(coherent) 영상에 내재된 곱셈형 speckle에 대해 목표 연산자(target operator)가 근사적으로 불변인 것; (ii) 의미적 스케일 호환성(semantic scale compatibility), 즉 하류 과제가 요구하는 이질적인 공간 스케일을 포괄하는 것. 이 두 조건은 각각은 달성 가능하지만 동시에 만족시키기는 어렵다. 물리 기반 안정성은 고정 연산자를 선호하고, 의미적 스케일 호환성은 데이터 기반 구성(composition)을 선호한다. 이를 위해 SARATR-X-v2는 단일 설계 안에서 두 가지를 조화시킨다. 목표는 blind-spot 국소 집합(local aggregation)부터 방향성 log-ratio 영역 대비(directional log-ratio region contrast)에 이르기까지 여섯 수용 영역(receptive field)에 걸친 고정 구조 추출기(fixed structural extractors)로 구성되고, 학습 가능한 가중치로 융합되어 마스크 복원(masked reconstruction)을 위한 하나의 통합 supervision 신호를 만든다. 분류, 검출, 세그멘테이션을 아우르는 12개 SAR 벤치마크에서 SARATR-X-v2는 최신(state-of-the-art) 전이(transfer) 성능을 달성한다. 합성 speckle 변화 하에서 제안 목표는 픽셀 공간 supervision 대비 학습된 표현의 perturbation drift를 거의 두 자릿수(두 order of magnitude)만큼 줄인다. 종합하면, 이러한 결과는 물리 기반 안정성과 의미적 스케일 호환성을 코히런트 영상 하 사전학습 목표 설계의 원칙적 프레임워크로 확립하며, 효과적인 SAR 사전학습은 더 많은 신호를 복원하는 것이 아니라 올바른 구조적 목표를 복원하는 것에 관한 것임을 시사한다.

arXiv:2607.22746v1cs.CV

전천후 건물 피해 매핑의 인스턴스 수준 고도화: 2026 Bright Challenge의 성과와 시사점

Advancing All-Weather Building Damage Mapping to the Instance Level: Outcomes and Insights from the 2026 Bright Challenge

재난 발생 후 신속한 대응을 위해서는 구조물이 온전한지, 손상되었는지, 파괴되었는지에 대한 시의적절한 건물 수준의 정보가 필요하다. 그러나 사후 광학 영상은 구름, 연기, 또는 어둠으로 인해 이용할 수 없을 수 있다. Bright Challenge는 미터 이하 해상도의 사전 사건 광학 영상과 사후 SAR 영상을 이용한 전천후 건물 피해 매핑을 평가했다. 참가자들은 각 건물을 탐지하고 경계를 설정하며, 세 가지 상호 배타적인 피해 라벨 중 정확히 하나를 할당해야 했다. 본 챌린지는 전 세계에 분포된 Bright 데이터셋을 7가지 재난 유형에 걸친 16건의 재난 사건에서 약 291,000개 건물에 대한 인스턴스 수준 주석으로 확장했다. 최종 단계는 학습에 포함되지 않은 2025년 두 건의 사건, 즉 캘리포니아의 산불 사건과 자메이카의 허리케인 사건에 대해서만 평가되었다. 총 157명의 참가자가 1,289건의 제출을 했으며, 46개 팀이 최종 단계에 진출했다. 두 우승 솔루션은 각각 0.182와 0.181의 테스트 mAP을 달성했으며, 이는 공개 기준선 0.021의 약 8.7배이지만, 최고의 in-domain 홀드아웃 점수 0.513에는 크게 미치지 못했다. 양 단계 모두에서 순위가 매겨진 팀들을 비교하면, 성능은 급격히 하락했고 순위도 크게 바뀌었다. 두 선두 솔루션은 독립적으로 모달리티별 인코딩, 단계적 또는 후기(late) 광학-SAR 융합, 그리고 건물 위치 추정과 피해 인식의 광학 우선 분리를 채택했다. 우승 방법은 추가로 장면 인식(scene-aware) 임계값 조정과 의사 라벨(pseudo-label) 적응을 사용했다. 이 결과는 교차 사건 일반화와 안정적인 심각도 구분을 핵심적인 남은 과제로 식별한다. 모든 데이터, 주석, 기준선 코드, 우승 솔루션은 https://github.com/ChenHongruixuan/BRIGHT 에서 공개적으로 이용할 수 있다.

arXiv:2601.03499v2eess.IV

GeoDiff-SAR: 기하학적 사전정보 기반 SAR 영상 생성 확산 모델

GeoDiff-SAR: A Geometric Prior Guided Diffusion Model for SAR Image Generation

합성개구레이더(SAR) 영상 생성은 데이터 부족을 완화할 수 있지만, 희소 관측 각도에서의 제어 가능한 생성은 여전히 어렵다. 최근 SAR 생성 연구는 질감 현실감을 개선했지만, 명시적인 기하학 인식 제어는 여전히 제한적이다. 본 논문은 중간 방위각(azimuth) 보완이라는 집중적이고 검증 가능한 설정을 다룬다. 3D 모델에서 유도된 기하학적 사전정보가 확산 모델을 안내하여 희소 각도 학습 데이터에서 누락된 시점의 영상을 합성한다. GeoDiff-SAR는 경량 다중 반사(multi-bounce) 광선 추적(ray-tracing) 사전정보를 구성하고, 결과 point cloud를 인코딩하며, low-rank adaptation을 통해 Stable Diffusion 3.5 Medium을 적응하면서 텍스트 조건화와 융합한다. 실제 4개 카테고리 항공기 데이터셋에서 GeoDiff-SAR는 SSIM 0.812와 방위각 일관성 0.940에 도달하며, 텍스트 조건화 SD3.5 Medium 기준선의 0.738과 0.782와 비교된다. 5개 MSTAR 차량 클래스에 동일한 희소 각도 프로토콜을 적용하면 SSIM 0.878과 방위각 일관성 0.917을 얻는다. 이러한 결과는 경량 3D 기하학적 사전정보가 제어 가능한 SAR 생성에서 시점 준수(viewpoint adherence)를 개선한다는 결론을 뒷받침하며, 이는 고정밀 전자기 재구성이 아니라 생성 안내(generation guidance)를 목적으로 한다.

arXiv:2607.09779v1cs.CV

SAR 자동 표적 인식을 위한 일반화된 심층 비음수 행렬 분해 접근법

A Generalized Deep Non-negative Matrix Factorization Approach for SAR Automatic Target Recognition

심층 비음수 행렬 분해(DNMF) 기법은 합성 개구 레이더(SAR) 표적 샘플에서 다층 특징을 추출하는 심층 학습 기반 방법의 낮은 해석 가능성을 해결하기 위해 제안되었다. 그러나 기존 DNMF 방법은 층별 분해 전략을 채택하고 있어 오류 누적 및 지역 최적값 문제를 야기하기 쉬우며, 이로 인해 층 수가 증가해도 인식 정확도가 일관되게 향상되지 않는 한계가 있다. 본 논문에서는 SAR 자동 표적 인식(ATR)에서 이러한 문제를 해결하기 위해 일반화된 심층 비음수 행렬 분해(G-DNMF)라 불리는 강건한 다층 특징 추출 방법을 제안한다. G-DNMF는 전역 최적성을 목표로 하며, 라그랑지 승수법을 사용하여 각 매개변수에 대한 갱신 규칙을 도출한다. 새로운 갱신 수식은 인코딩 행렬 기반 DNMF 방법과 혼합 행렬 기반 DNMF 방법이 모두 제안된 방법의 특수한 경우임을 보여줌으로써, 제안된 방법의 보편성을 이론적으로 입증한다. 전반적으로 제안된 방법은 층별 분해 전략을 폐기함으로써 지역 최적값의 위험을 효과적으로 완화하고 오류 누적을 제거하여 DNMF의 다층 특징 추출 능력을 크게 향상시킨다. G-DNMF가 각 층에서 추출한 특징 이미지와 재구성된 원본 이미지를 제시한 실험 결과는 제안된 방법의 다층 특징에 대한 순수 가산적 이해를 검증하고 해석 가능성을 입증하였다. MSTAR 및 OpenSARship 데이터셋 기반 실험 결과는 G-DNMF가 안정성 및 인식 성능 측면에서 기존 DNMF 알고리즘 및 그 파생 방법들을 능가함을 보여준다.

arXiv:2406.07089v4cs.CV공식 코드 · Papers with Code

RS-Agent: 지능형 에이전트를 통한 원격 탐사 작업 자동화

RS-Agent: Automating Remote Sensing Tasks through Intelligent Agent

RS-Agent는 구조화된 작업 계획과 도구 오케스트레이션을 통해 사용자 의도를 전문적인 원격 탐사 워크플로우와 연결하는 도메인 적응형 지능 에이전트로, 중앙 컨트롤러, 동적 툴킷, Solution Space, Knowledge Space의 네 가지 구성요소로 이루어진다. Task-Aware Retrieval과 가중 이중 경로 검색-증강 생성 방법인 DualRAG를 도입하여 9개 데이터셋, 18개 원격 탐사 작업 실험에서 95% 이상의 작업 계획 정확도와 함께 장면 분류, 객체 계수, 시각적 질의응답에서 최신 MLLM 대비 현저히 높은 성능을 달성하였다.

arXiv:2505.10931v4cs.CV공식 코드 · Papers with Code

M4-SAR: A Multi-Resolution, Multi-Polarization, Multi-Scene, Multi-Source Dataset and Benchmark for optical-SAR Object Detection

Single-source remote sensing object detection using optical or SAR images struggles in complex environments. Optical images offer rich textural details but are often affected by low-light, cloud-obscured, or low-resolution conditions, reducing the detection performance. SAR images are robust to weather, but suffer from speckle noise and limited semantic expressiveness. Optical and SAR images provide complementary advantages, and fusing them can significantly improve the detection accuracy. However, progress in this field is hindered by the lack of large-scale, standardized datasets. To address these challenges, we propose a new comprehensive dataset for optical-SAR fusion object detection, named Multi-resolution, Multi-polarization, Multi-scene, Multi-source SAR dataset (M4-SAR). It contains 112,174 instance-level aligned image pairs and nearly one million labeled instances with arbitrary orientations, spanning six key categories. To enable standardized evaluation, we develop a unified benchmarking toolkit that integrates six state-of-the-art multi-source fusion methods. Additionally, we propose E2E-OSDet, a novel end-to-end multi-source fusion detection framework that mitigates cross-domain discrepancies and establishes a robust baseline for future studies. Extensive experiments on M4-SAR demonstrate that fusing optical and SAR data can improve mAP by 5.7\% over single-source inputs, with particularly significant gains in complex environments. The dataset and code are publicly available at https://github.com/wchao0601/M4-SAR.

arXiv:2604.20822v2cs.CV

전 세계 해상 풍력 인프라: 고밀도 Sentinel-1 시계열을 통한 배치 및 운영 동태

Global Offshore Wind Infrastructure: Deployment and Operational Dynamics from Dense Sentinel-1 Time Series

해상 풍력 에너지 부문은 빠르게 확장되고 있으며, 이에 따라 전 세계 규모의 인프라 배치 및 운영에 대한 독립적이고 고시간 분해능의 모니터링 필요성이 증가하고 있습니다. 지구 관측 기반 해상 풍력 인프라 매핑은 공간적 위치 파악에서 성숙 단계에 이르렀으나, 기존 공개 데이터셋은 건설 및 운영 동태에 대한 시간적으로 고밀도이고 의미론적으로 세분화된 정보가 부족합니다. 우리는 2016년 1분기부터 2025년 1분기까지의 해상 풍력 인프라 배치 및 운영 단계를 파악하는 전 세계 Sentinel-1 합성 개구 레이더(SAR) 시계열 데이터 말뭉치를 소개합니다. 개선된 객체 검출(object detection) 워크플로우를 기반으로, 우리는 검출된 인프라 위치에서 15,606개의 시계열을 컴파일했으며, 이는 총 14,840,637개의 이벤트를 분석 가능한 1D SAR 후방 산란 프로필로 구성합니다(각 프로필은 Sentinel-1 획득 및 위치당 하나씩). 직접적인 사용과 벤치마킹을 가능하게 하기 위해, 우리는 (i) 분석 가능한 1D SAR 프로필, (ii) 규칙 기반 분류기가 생성한 이벤트 수준 기준선(baseline) 의미론적 레이블, (iii) 328,657개의 이벤트 레이블이 포함된 553개 시계열의 전문가 주석 벤치마크 데이터셋을 공개합니다. 기준선 분류기는 이벤트별 평가에서 0.84의 매크로 F1 점수를 달성했으며, 0.785의 축소된 편집 유사성-품질 임계값 곡선 아래 면적(AUC)을 기록하여 시간적 일관성을 나타냅니다. 우리는 결과 말뭉치가 배치 동태의 전 세계 규모 분석, 지역별 배치 패턴의 차이 식별, 선박 상호작용 및 운영 이벤트 파악을 지원하며, 해상 풍력 인프라 모니터링을 위한 시계열 분류(classification) 방법 개발 및 비교에 대한 참고 자료를 제공함을 입증합니다.

arXiv:2604.05527v2cs.CV

광학-SAR 영상 변화 탐지를 위한 사전 정보 유도 멀티모달 특징 융합

Prior-guided Fusion of Multimodal Features for Change Detection from Optical-SAR Images

멀티모달 변화 탐지(MMCD)는 멀티모달 원격 탐지 데이터 내 변화 영역을 식별하는 기술로, 토지 이용 모니터링과 도시 지속 가능한 개발에 있어 중요한 응용 가치를 지닙니다. 그러나 기존 문헌의 MMCD 접근 방식은 모달 간 상호작용과 모달별 고유 특성 활용에 있어 한계를 보입니다. 이는 세밀한 변화 정보의 모델링이 부족하게 되어, 의미적 변화의 정확한 탐지를 저해합니다. 이러한 문제를 해결하기 위해 본 연구에서는 광학 및 SAR 영상 간의 MMCD를 위해 설계된 STSF-Net 프레임워크를 제안합니다. STSF-Net은 변화 표현을 향상시키기 위해 모달별 특징과 시공간 공통 특징을 공동으로 모델링합니다. 구체적으로, 모달별 특징은 실제 의미적 변화 신호를 포착하는 데 활용되는 반면, 시공간 공통 특징은 영상화 메커니즘의 차이로 인한 의사 변화를 억제하기 위해 임베드됩니다. 또한, 비전 파운데이션 모델에서 얻은 의미적 사전 정보를 기반으로 멀티모달 특징의 중요도를 적응적으로 조정하는 광학 및 SAR 특징 융합 전략을 도입합니다. 마지막으로, 초고해상도 완전 편파 SAR 및 광학 영상으로 구성된 최초의 공개된 다중 클래스 MMCD 벤치마크인 새로운 Delta-SN6 데이터셋을 소개합니다. Delta-SN6, BRIGHT, Wuhan 데이터셋에 대한 실험 결과, 제안하는 방법이 평균 교차 합(mIoU) 기준으로 각각 3.21%, 0.87%, 1.32%만큼 최첨단 방법보다 우수함을 입증합니다.

arXiv:2606.07374v1eess.SP

백스캐터를 넘어: 검출 SAR 영상으로부터의 InSAR 코히어런스

Beyond Backscatter: InSAR coherence from detected SAR images

본 연구에서는 정확한 공간정합(coregistration) 없이 검출 SAR 영상으로부터 직접 코히어런스 회귀(coherence regression)를 수행하는 심층 학습 프레임워크를 제안한다. 정밀하게 공간정합된 Sentinel-1 SLC 데이터에서 유도한 코히어런스 맵을 이용해 Residual U-Net을 학습시켜, 백스캐터 크기(magnitude)와 코히어런스 간의 관계를 학습한다. 모델은 12일 간격 SLC 페어로 학습되며, 공간정합된 SLC 제품과 오픈 액세스 분석 준비(analysis-ready) 데이터 등 서로 다른 데이터셋에서 평가되며, 다양한 복사측정(radiometric) 특성, 기하, 위치를 포괄한다. 실험 결과, 제안 방법은 기존 강도(intensity) 기반 접근법 대비 향상된 정확도로 고해상도 코히어런스 회귀를 달성함을 보여준다. 해당 네트워크는 다양한 지리적 위치뿐 아니라 학습 시 한 번도 본 적 없는 서로 다른 시간 기준선(temporal baseline)에서도 잘 일반화된다. 또한 Google Earth Engine 등을 통해 배포되는 지상거리 검출(ground range detected) 데이터와 같이 전 세계적으로 이용 가능한 분석 준비 데이터에서 동작할 수 있다는 점은 임무 설계, 변화 모니터링, 다양한 매핑 작업에서의 대규모 적용을 가능하게 한다.

arXiv:2606.06847v1eess.IV

SAR 영상에서 항공기 표적의 물리 기반 의미적 산란 구조 이해

Physics-Driven Semantic Scattering Structure Understanding of Aircraft Target in SAR Images

합성개구레이더(SAR)는 종일·전천후 관측 능력으로 표적 해석에 필수적인 수단이 되었다. SAR 표적 해석에서 전자기 산란 정보는 시각적 텍스처를 넘어 물리적으로 정당화된 단서를 제공하며, 표적 해석에 널리 활용되어 왔다. 그러나 기존 방법은 여전히 국소 산란 중심 표현에 지배적이다. 이러한 순서 없고 구성요소를 구분하지 않는 표현은 항공기 표적에 대해 매우 불안정하다. 그 결과, 산란 응답이 약한 물리적으로 존재하는 구성요소가 종종 누락되어, 재구성된 위상 구조가 불완전해진다. 이 한계를 해결하기 위해, 우리는 SAR 항공기 해석을 위한 새로운 패러다임으로 의미적 산란 구조 이해(Semantic Scattering Structure Understanding)를 제안한다. 의미적 산란 키포인트(semantic scattering keypoints)를 정의하여 국소 전자기 응답을 물리적으로 의미 있는 항공기 구성요소와 연관시키고, 가시성 인식(visibility-aware) 속성을 도입하여 관측하기 어렵지만 물리적으로 존재하는 구성요소를 보존한다. 키포인트는 더 나아가 안정적인 의미적 산란 구조로 조직된다. 이를 바탕으로, 우리는 S3U-SAR을 제안한다. 이는 의미적 산란 키포인트를 국소화하고, 산란 이질성, 강체 위상, 스펙클(speckle) 불확실성을 포함하는 다차원 물리적 사전 정보(priors)의 제약 하에 완전한 표현을 구축하는 물리 기반 프레임워크이다. 또한 최적화 충돌을 완화하기 위해 신뢰도 게이트(confidence-gated) 공동 감독 전략을 도입한다. 우리는 의미적 산란 구조 이해를 위한 최초의 세밀한 벤치마크인 KP-SAR-Aircraft-1.0 데이터셋을 구축한다. 광범위한 실험 결과 S3U-SAR이 베이스라인 대비 최고 성능을 달성함을 보여준다. 카테고리 간 및 데이터셋 간 평가는 추가로 그 견고성과 전이 가능성을 검증한다.