PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2603.21911v3cs.CV

불확실성을 고려한 분광 영상 에뮬레이션을 위한 변분 잠재 공간 프레임워크

A Variational Latent-Space Framework for Uncertainty-Aware Spectral Image Emulation

합성 분광 영상 생성은 원격 탐사 시뮬레이션 및 미션 설계에 필수적이지만, 물리 기반 복사 전달 모델(RTM)은 여전히 계산 비용이 많이 듭니다. 기존의 학습 기반 에뮬레이터는 이러한 비용을 줄여주지만, 대부분 공간적 모델링과 불확실성 정보가 제한적인 결정론적 매개변수(parameter)-스펙트럼 회귀 모델입니다. 본 논문에서는 분광 영상 에뮬레이션을 매개변수 조건부 잠재 변수 문제로 공식화하고, 비선형 분광 영상 표현, 빠른 추론(inference), 픽셀 단위 불확실성 추정을 결합한 변분 오토인코더(VAE) 기반 프레임워크를 제안합니다. 이 프레임워크는 2단계 VAE 사전학습(pre-training) 및 잠재 매핑을 통해 스펙트럼 및 공간-스펙트럼 수준에서 구현됩니다. 제안된 방법을 PROSAIL로 시뮬레이션한 초분광 식생 큐브(211개 밴드)와 실제 Sentinel-3 OLCI 다중분광 해색 영상(21개 밴드)을 대상으로 고전적 회귀 에뮬레이터 및 심층 CNN 기준선(baseline) 모델과 비교 평가합니다. 실험 결과 단일 아키텍처가 항상 최적인 것은 아님이 나타났습니다. 통제된 초분광 시뮬레이션에서는 픽셀 대 픽셀 모델이 가장 우수한 성능을 보인 반면, 결측치나 오염된 픽셀이 포함된 노이즈가 있는 실제 관측에서는 완전 합성곱 VAE가 더 견고했습니다. 또한 VAE 기반 에뮬레이터는 대규모 생성을 위한 높은 처리량을 달성합니다. Sentinel-3 영상에서 공간-스펙트럼 VAE는 절대적 보정(calibration)이 여전히 불완전함에도 불구하고 픽셀 단위 신경망 및 고전적 에뮬레이터보다 경험적 오차에 더 가까운 예측 구간을 제공합니다. 룩업 테이블 기반 회수 실험을 통해 재구성 충실도만으로는 신뢰할 수 있는 엽면적 지수와 엽록소 회수를 보장할 수 없음을 추가로 확인했습니다. 따라서 에뮬레이터는 재구성 지표만으로 평가되어서는 안 되며, 대표적인 원격 탐사 최종 활용 시나리오에서 평가되어야 합니다.