상대 복사는 다중 시점 원격 탐사의 기본 기술이지만, 전통적인 방법은 비선형 왜곡, 이상치 간섭 및 이질적인 지표 피복 조건을 처리할 때 한계가 존재하는 경우가 많습니다. 이러한 도전에 대응하기 위해 본 논문은 확산 기반 확률적 프레임워크를 제안하며, 방사선 불일치를 결정론적 잔차와 임의 교란의 조합으로 모델링합니다. 해당 프레임워크에서 순방향 과정은 구조화된 노이즈와 임의 노이즈의 중첩을 통해 방사선 왜곡의 다중 원천 특성을 시뮬레이션하며, 역방향 과정은 이중 목표 변분 최적화 전략에 의존하여 방사선 일관성을 재구성하는 동시에 원본 영상의 세부 특성을 보존하여 수학적으로 복잡한 방사선 왜곡의 정밀 모델링을 실현합니다. 핵심 설계는 공간-분광 주의 네트워크로, 공간 및 분광 이중 주의 모듈을 융합하여 특징 추출 과정에서 주요 밴드 반응 및 지역 텍스처 구조를 동적으로 강화하여 대역 간 의존 관계 및 다중 스케일 공간 컨텍스트를 효율적으로 포착합니다. 복잡한 장면에서 모델의 적응성을 더욱 향상시키기 위해 구조적 유사도 지수를 기반으로 한 전처리 전략을 설계하여 안정적인 의사 불변 영역을 자동 선정하여 모델 학습을 유도하고 지표 변화로 인한 간섭을 효과적으로 줄이며 학습 샘플의 대표성과 모델 수렴 안정성을 강화합니다. 다중 시점 Sentinel-2 데이터셋을 기반으로 한 종합 실험 결과 제안된 방법이 기존 비교 방법보다 정량적 평가 지표에서 지속적으로 우수한 성능을 보이며, 더 높은 방사선 보정 정확도와 분광 충실도는 물론 식생 지수 일관성과 텍스처 세부 보존 측면에서도 유의미한 이점을 나타냄을 확인하였습니다. 종합하면 본 확산 구동 네트워크는 대규모 원격 탐사 영상 상대 복사를 위한 실용적인 적응형 솔루션을 제공하며, 향후 다중 센서 융합 및 시계열 분석 등 응용 분야로 확장될 수 있습니다.

상대 복사 정규화; 확산 모델; 주의 메커니즘; 딥러닝