최근 몇 년간, 심층 학습(deep learning)의 최근 발전에 힘입어 모델 기반 접근에서 데이터 기반 접근으로의 패러다임 전환에 따라 데이터 융합 기법, 특히 팬셔arp닝(pansharpening)에 대한 관심이 다시 고조되고 있다. 팬셔arp닝을 위한 다양한 합성곱 신경망(Convolutional Neural Networks, CNN)이 개발되었음에도 불구하고, 여전히 해결이 필요한 핵심적인 문제들이 존재한다. 그 중에서도 스케일 간 및 데이터셋 간 일반화 능력은 가장 시급한 문제로 지적될 수 있다. 왜냐하면 현재 대부분의 네트워크는 저해상도로 축소된 스케일에서 학습되기 때문이며, 일반적으로 일부 데이터셋에서는 뛰어난 성능을 보이나 다른 데이터셋에서는 성능이 저하되기 때문이다. 이러한 문제를 동시에 해결하려는 최근의 시도는 적합한 전반 해상도(full-resolution) 손실 함수를 사용하는 타겟 적응형 추론(target-adaptive inference) 기법을 활용하고 있다. 그러나 이러한 접근 방식은 적응 단계로 인해 추가적인 계산 부담을 수반한다는 단점이 있다. 본 연구에서는 이러한 문제를 해결하기 위해, 추론 시간을 평균적으로 10배 감소시킬 수 있는 효과적인 타겟 적응 기법을 제안한다. 이는 정확도 손실 없이 이루어진다. GeoEye-1, WorldView-2, WorldView-3 세 가지 서로 다른 데이터셋을 대상으로 수행한 광범위한 실험을 통해, 최신의 모델 기반 및 심층 학습 기반 방법들과 비교하여 뛰어난 정확도를 유지하면서도 계산 효율성의 극대화를 입증하였다. 또한 제안하는 솔루션의 일반성도 검증되었으며, 다양한 CNN 모델에 새로운 적응 프레임워크를 적용하여 성능을 확인하였다.