더 높은 해상도와 선명도의 우주 목표 광학 이미지를 얻기 위해서는 지상 적응 광학(Adaptive Optics, AO) 이미징 망원경으로 보정된 저하된 이미지를 초해상도로 복원해야 합니다. 우주 목표 AO 이미지의 단일 배경, 제한된 해상도, 그리고 운동 흐림, 난류 흐림 및 과노출 등의 특징에 대응하기 위해 딥러닝 기반의 생성적 적대 신경망(Generative Adversarial Networks, GAN) 방법을 제안하여 우주 목표 AO 이미지의 초해상도 복원을 구현하였으며, 신경망 훈련을 위해 우주 목표 AO 시뮬레이션 이미지 학습 집합을 구축하였습니다. 밀집 잔차 블록 기반 GAN 초해상도 복원 방법을 제안하였으며, 기존의 잔차 네트워크를 밀집 잔차 블록으로 변경하여 네트워크 깊이를 높이고 상대 평균 손실 함수를 판별기 네트워크에 도입하여 판별기가 더욱 견고하게 되고 GAN 훈련이 안정적으로 이루어지도록 하였습니다. 실험 결과 본 방법은 전통적인보간 초해상도 방법에 비해 PSNR이 11.6% 이상, SSIM이 10.3% 이상 향상되었으며, 딥러닝 기반의 블라인드 이미지 초해상도 방법 대비 PSNR은 평균 6.5%, SSIM은 평균 4.9% 향상되었습니다. 본 방법은 우주 목표 AO 이미지의 선명한 복원을 효과적으로 구현하였으며 복원 이미지의 왜곡을 줄이고 이미지 세부 정보를 풍부하게 하였습니다.

우주 목표 이미지;초해상도;생성적 적대 신경망;밀집 잔차 블록