최근 들어 딥러닝 기반의 단일 영상 초고해상화에서 모델의 효율을 개선하려는 연구가 진행되고 있다. 그러나 입력 영상의 크기가 커지면 메모리 사용률이 비례하여 증가하는 문제가 있 다. 또한 이러한 연구는 주로 위성 영상이 아닌 일반적인 영상에 초점을 둔다. 위성 영상은 고도가 높은 곳에서 촬영하기 때문에 일반 영상에 비해 사물의 디테일이 떨어지고 영상 자체의 크기가 큰 경우가 있다. 본 논문은 큰 입력의 위성영상을 초고해상도로 효율적으로 생성하는 방법을 탐구한다. 정답 영상의 크기가 2K 이상의 위성영상이 주어졌을 때, 입력 영상을 오버 래핑되는 패치 단위로 나누어 모델에 입력하고, 출력 패치들을 다시 합쳐 초고해상도 영상을 생성하는 방법을 분석한다. 실험을 통해 패치 기반의 모델이 메모리 소모량과 성능 면에서 효과적임을 보인다.

Satellite Image Super-Resolution with Large Input

Seonggwan Ko, Donghyeon Cho*

Recently, improving the efficiency of models in deep learning-based single-image super-resolution has been extensively studied. However, as the size of the input image increases, the memory consumption increases proportionally. Additionally, most research focus on general scenes rather than a satellite image. Unlike the general image, the satellite image is obtained from a high altitude, thus it often lacks the detail found in the general image. This paper explores methods for efficiently generating super-resolution images from large satellite images. Given a satellite image of 2K or larger as input, we propose a method that splits the input image into overlapping patches and combine the output patches to obtain the super resolution image. Experiments show that the patch-based model is effective in terms of memory consumption and performance.

Keywords: super-resolution, satellite image, large input

Speaker 고성관 충남대학교