고가의 하이퍼스펙트럼 이미징 장비로 인해 보급이 어려운 문제를 해결하기 위해, 쉽게 얻을 수 있는 RGB 이미지로부터 고품질 하이퍼스펙트럼 이미지를 재구성하는 딥러닝 네트워크를 활용하였다. 제안된 Res2-Unet 딥러닝 네트워크는 Unet 구조를 기반으로 하며, Res2Net을 주요 모듈로 하여 백본 네트워크를 구성하여 보다 세분화된 수준에서 지역 및 전역 이미지 특징을 추출할 수 있다. 채널 어텐션 메커니즘을 도입해 채널 특징 반응을 적응적으로 조절하며, 인코더와 디코더 사이의 스킵 연결을 통해 다양한 규모와 깊이의 정보를 충분히 융합한다. 마지막으로 2020년 이미지 복원 및 증강 신동향 국제 챌린지에서 제공한 데이터셋으로 학습 및 테스트를 진행하였다. 실험 결과 제안된 방법은 적응형 가중 어텐션 메커니즘 네트워크 및 계층적 회귀 네트워크와 비교하여 평균 상대 절대 오차, 평균 제곱근 오차, 최대 신호 대 잡음비, 평균 스펙트럼 각도 등 네 가지 객관적 평가 지표에서 모두 최고의 결과를 얻었다; Clean 트랙에서 평균 최대 신호 대 잡음비가 각각 0.08 dB와 1.73 dB 증가했으며, Real World 트랙에서는 각각 0.72 dB와 0.97 dB 증가했다. 하이퍼스펙트럼 참조 이미지와 재구성 이미지 간의 비교에서, 저주파 평탄 영역과 고주파 텍스처 영역 모두에서 제안된 방법이 더 우수한 주관적 시각 효과를 보였다.

딥러닝; 하이퍼스펙트럼 이미지; 이미지 재구성; Res2Net; 채널 어텐션 메커니즘