초록
최근의 연구들은 저해상도 이미지의 다시점 수집에서 시작하여 심층 신경망이 원격 감측 영상을 초해상화하는 데 매우 효과적일 수 있음을 보여주었습니다. 그러나 기존 모델들은 시간 순서 변환 문제를 간과하고 있습니다. 이 문제는 입력 이미지의 시간 순서가 초해상화 작업에 관련된 정보를 담고 있지 않아, 훈련을 위한 귀중한 지면 진실 데이터의 효율성을 저하시키는 원인이 됩니다. 따라서 모델은 시간 순서에 의존하는 특성 추출기를 학습해서는 안 됩니다. 본 논문에서는 완전히 시간 순서 변환에 불변인 모델을 구축함으로써 성능과 데이터 효율성이 크게 향상되는 방법을 제시합니다. 또한, 초해상화된 이미지의 불확실성을 측정하여 최종 사용자가 제품의 지역적 품질에 대해 알 수 있도록 하는 방법을 연구합니다. 우리는 불확실성이 시리즈 내의 시간 변화와 상관관계가 있으며, 이를 측정함으로써 모델 성능이 더욱 개선됨을 보여줍니다. Proba-V 챌린지 데이터셋에서 수행한 실험 결과, 자기 앙상블(self-ensembling) 없이 기존 최신 기술보다 크게 향상되었으며, 훈련 데이터의 25%만으로도 챌린지 우승자의 성능을 달성할 수 있었습니다.