현재 딥러닝 기반 원격탐사 이미지 초해상도 복원 모델이 하드웨어 요구사항이 높은 문제를 해결하기 위해 본 논문에서는 재파라미터화 기반 경량 잔차 특징 원격탐사 이미지 초해상도 복원 네트워크를 설계하였다. 우선, 재파라미터화 방법을 이용하여 이미지의 국부 특징을 효과적으로 추출하기 위한 잔차 국부 특징 모듈을 설계하였고, 이미지 내부에 나타나는 유사 특징을 고려하여 경량의 전역 문맥 모듈을 설계하여 유사 특징 간의 연관성을 강화하여 네트워크의 특징 표현 능력을 향상시켰으며, 해당 모듈의 채널 압축 배율을 조정하여 모델의 파라미터 수를 줄이고 성능을 개선하였다. 마지막으로 업샘플링 모듈 전 다층 특징 융합 모듈을 사용하여 모든 심층 특징을 집합하여 보다 포괄적인 특징 표현을 생성하였다. UC Merced 원격탐사 데이터셋에서 테스트한 결과, 이 알고리즘은 원격탐사 이미지 3배 초해상도에서 파라미터 수가 539K, 피크 신호대 잡음비가 30.01 dB, 구조적 유사도가 0.8449, 모델 추론 시간이 0.010초였으며, HSENet 알고리즘은 파라미터 수 5,470K, 피크 신호대 잡음비 30.00 dB, 구조적 유사도 0.8420, 모델 추론 시간 0.059초였다. 실험 결과 이 알고리즘은 HSENet 대비 파라미터 수가 적고 실행 속도가 빠르며 피크 신호대 잡음비와 구조적 유사도가 다소 향상되었음을 확인하였다. DIV2K 자연 이미지 데이터셋에서도 이 알고리즘은 다른 알고리즘에 비해 피크 신호대 잡음비와 구조적 유사도에서 일정한 우위를 보여 일반화 능력이 뛰어남을 나타냈다.

초해상도;원격탐사 이미지;전역 문맥;재파라미터화;잔차 네트워크