다중밴드 이미지 베이지안 융합

본 논문은 원격탐사에서 고해상도 스펙트럼·공간 정보를 동시에 복원하고자 하는 다중밴드 이미지 융합 문제를 베이지안 관점에서 체계적으로 접근한다. 먼저, 관측 모델을 선형 변환 형태인 \(Z_p = F_p(X) + E_p\) 로 정의한다. 여기서 \(Z_p\)는 서로 다른 센서(예: 저해상도 하이퍼스펙트럼(HS), 멀티스펙트럼(MS), 팬크로매틱(PAN))가 획득한 이미지이며, \(F_p\)는 각 센서의 공간·스펙트럼 블러링, 다운샘플링 등을 포함한 물리적 열화 연산자를 의미한다. 잡음 \(E_p\)는 밴드별 독립 가우시안 잡음으로 가정하고, 잡음 공분산 \(\Lambda_p\)는 각 밴드의 신호대잡음비에 따라 데이터에 의존하도록 설계한다. 다음으로, 고해상도 이미지 \(X\)에 대한 사전분포를 설계한다. 실제 장면은 제한된 수의 물질(매크로스케일 물질)로 구성된다는 가정 하에, 각 픽셀 스펙트럼 벡터 \(x_i\)는 저차원 하위공간에 존재한다는 ‘선형 하위공간 모델’을 도입한다. 차원 축소 행렬 \(V\) (예: PCA 기반)를 이용해 \(u_i = V x_i\) 로 변환하고, 변환된 벡터 \(u_i\)에 대해 다변량 정규분포 \( \mathcal N(\mu_{u_i},\Sigma_{u_i})\) 를 사전으로 부여한다. 이때 \(\Sigma_{u_i}\)는 스펙트럼 밴드 간 상관관계를 포착하도록 설계되며, 전체 이미지에 대한 평균·공분산 \(\bar\mu_u, \bar\Sigma_u\)는 하이퍼파라미터로서 계층적 베이지안 모델 안에서 학습된다. 이러한 사전은 고차원 역문제에 대한 정규화 효과를 제공하면서도, 실제 스펙트럼 구조를 보존한다는 장점을 가진다. 베이지안 추정은 사후분포 \(f(x|z) \propto f(z|x)f(x)\) 로부터 이루어진다. 여기서 \(f(z|x)\)는 앞서 정의한 가우시안 잡음 모델에 기반한 likelihood이며, \(f(x)\)는 위에서 설계한 하위공간 가우시안 사전이다. 사후분포는 차원 수가 수십만에 달하는 고차원이며, 직접적인 적분이나 최적화는 계산적으로 불가능하다. 따라서 저자는 사후 평균(MMSE) 추정을 위해 마코프 연쇄 몬테카를로(MCMC) 샘플링을 채택한다. 전통적인 Gibbs 샘플러나 Metropolis‑Hastings는 고차원에서 샘플 간 상관도가 높아 수렴이 느리다. 이를 극복하기 위해 Hamiltonian Monte Carlo(HMC)를 Gibbs 샘플링 루프에 삽입한 하이브리드 알고리즘을 설계한다. HMC는 위치 변수 \(x\)와 인공적인 모멘텀 변수를 도입해 해밀토니안 역학을 시뮬레이션함으로써, 큰 스텝 사이즈에서도 높은 수용률을 유지한다. 결과적으로 연속 샘플 간의 자기상관이 크게 감소하고, 사후 평균 추정이 효율적으로 수렴한다. 알고리즘 흐름은 다음과 같다. (1) 현재 파라미터를 고정하고 HMC를 이용해 고해상도 이미지 \(x\) 샘플을 생성한다. (2) 샘플된 \(x\)를 기반으로 하위공간 투영 \(u = Vx\) 와 사전 평균·공분산의 하이퍼파라미터 \(\bar\mu_u, \bar\Sigma_u\) 를 조건부 사후분포에서 샘플링한다. (3) 각 센서별 잡음 공분산 \(\Lambda_p\) 를 갱신한다. (4) 위 과정을 충분히 반복하여 마크오프 체인을 구축하고, 수집된 샘플들의 평균을 최종 MMSE 추정값으로 사용한다. 실험에서는 저해상도 HS와 MS 이미지를 융합해 고해상도 HS 이미지를 복원하는 시나리오를 설정하였다. 비교 대상에는 기존의 MAP 기반 방법(예: 사전 기반 최소제곱, EM‑알고리즘)과 최신 딥러닝 기반 융합 기법이 포함된다. 평가 지표로는 스펙트럼 재구성 오차(RMSE), 스펙트럼 각도(SAM), 구조적 유사도(SSIM) 등을 사용하였다. 제안 방법은 모든 지표에서 기존 방법들을 능가했으며, 특히 스펙트럼 보존 측면에서 현저한 개선을 보였다. 또한, HMC를 활용한 샘플링이 제공하는 사후 평균은 잡음에 강인하면서도 세부 공간 구조를 보존하는 특성을 보여, 실용적인 고해상도 HS 복원에 적합함을 입증하였다. 결론적으로, 이 논문은 (1) 물리적 센서 모델과 기하학적 하위공간 사전의 결합, (2) 계층적 베이지안 프레임워크 내에서 하이퍼파라미터를 공동 추정, (3) 고차원 사후분포 샘플링을 위한 HMC‑Gibbs 하이브리드 전략이라는 세 가지 핵심 기여를 통해 다중밴드 이미지 융합 문제에 대한 이론적·실용적 해결책을 제시한다. 향후 연구에서는 비가우시안 잡음 모델, 비선형 센서 특성, 그리고 실시간 적용을 위한 샘플링 가속화 방안 등을 탐색할 수 있다.