기내 적외선 영상 시스템의 동적 목표에 대한 장거리 탐지 및 인식 능력을 향상시키기 위해, 순환 잔차 신경망 기반 적외선 비디오 초해상도 복원 방법이 제안되었다. 이 방법은 기내 적외선 영상 시스템의 실제 열화 과정을 고려하여 동적 목표의 움직임 정보를 결합하고, 네트워크 구조를 최적화하여 비디오 복원 품질을 효과적으로 향상시킨다. 우선, 다운샘플링, 운동 흐림 및 잡음 간섭을 포함하는 적외선 비디오 열화 과정을 분석하고 이를 기반으로 저해상도 데이터셋을 구축하였다. 순환 잔차 신경망을 도입하여 동적 목표의 움직임 정보를 효과적으로 추출 및 전달함으로써 목표의 형태, 윤곽 및 세부 텍스처를 복원한다. 주 모델 구조를 점프 캐스케이드 잔차 구조로 개선하여 원활한 정보 흐름을 보장하는 동시에 긴 비디오 시퀀스 처리에 더 적합하게 하고, 학습 과정에서 그래디언트 소실을 효과적으로 방지한다. 또한 잔차 블록 수와 각 층의 합성곱 핵 수를 조절하여 네트워크 표현 능력과 계산 효율을 최적화하였다. 추가로 Charbonnier 손실과 고주파 정보 손실(HFLoss)을 결합한 손실 함수를 제안하여 복원 영상의 고주파 세부 복원 효과를 향상시켰다. 실험 결과, 제안된 복원 방법은 공개 및 실측 적외선 데이터셋에서 동적 목표의 2배 초해상도를 달성하였으며, PSNR 값은 40 dB 이상, SSIM 값은 0.92 이상, 복원 속도는 초당 45프레임 이상을 보였다. 해상도 테스트 타깃과 적외선 줌 영상 시스템을 결합하여 시스템 각도 해상도를 정확하게 보정하였으며, 복원 방법이 시스템 각도 해상도 향상에 있어 1.43배의 이점을 검증하였다. 이 방법은 기내 영상 시스템의 높은 실시간성과 복원 품질 요구를 충족할 수 있다.

컴퓨터 비전;영상 초해상도;딥러닝;순환 신경망;딥 잔차 네트워크;적외선 동적 목표