재료 혼합 균일성 검사는 제품 품질 온라인 모니터링 및 공정 최적화에 있어 핵심적이다. 고분광 이미징(Hyperspectral Imaging, HSI) 기술에서 발생하는 이미지 디포커스 블러와 이로 인한 균일성 평가 실패 문제를 해결하기 위해, 물리적 제약을 활용한 자기지도 비대응 고분광 이미지 디블러링 알고리즘(Physics-Constrained Self-Supervised Learning for Unpaired Hyperspectral Image Deblurring, PC-SSL-HSI Deblurring)을 제안하였다. 본 알고리즘은 SimAM 주의 메커니즘이 융합된 Uformer를 디블러링 네트워크로 채택하고, 적대적 학습을 통해 디블러링 결과가 특징 공간에서 선명한 이미지와 정렬되도록 유도한다. 동시에 고전적 열화 모델 기반의 블러 커널 예측 모듈을 설계하여 가상 샘플 쌍을 구성하며, 이 가상 샘플 쌍의 자기지도 학습을 통해 디블러링 네트워크가 고분광 이미지의 국부 세부 복원에 집중하도록 안내한다. 실험 결과는 제안된 방법이 이미지 세부 사항을 효과적으로 복원하고 아티팩트를 줄여 재료 혼합 균일성의 정확한 평가에 기여함을 보여준다; 시뮬레이션 데이터셋에서 고분광 이미지의 PSNR은 34.970, SSIM은 0.900에 달하며, 농도 예측 오차는 0.0228~0.0312이다. 해당 방법은 KL 발산, CV 변이 계수 등 혼합 균일성 지표에서 비교 알고리즘보다 우수하여 우수한 공학적 응용 가치를 나타낸다.

고분광 이미지;디포커스 블러 제거;혼합 균일성;자기지도 학습;물리적 제약