전통적인 생성적 적대 신경망(GAN) 모델이 적외선 이미지 생성에서 "전체적으로는 진짜 같지만 목표의 국부 세부 사항은 흐림"이라는 핵심 문제를 해결하기 위해, 학습 가능한 가우시안 커널 동적 주의를 융합한 개선된 GAN 모델을 제안한다. 기존의 개선된 모델은 목표 영역에 대해 고정 가중치를 사용하여 목표의 핵심 하위 영역을 구분하지 못해 목표 세부 사항 적합 정확도가 부족하다. 이를 위해 훈련을 통해 가우시안 커널의 평균 μ, 분산 σ, 회전 각도 θ를 자율 학습하는 적응형 다중 가우시안 커널을 설계하였으며, 마스크(mask) 명암에 따라 동적으로 변화하는 가중치 맵을 생성하여 목표 핵심 세부 사항에 정밀하게 집중한다. 가우시안 커널 함수 가중치와 공간 분포를 생성기 손실에 내장하여 "적대 손실 제약 전역 진실 + 마스크 유도 가우시안 가중 L1 손실 국부 제약 + 다중 가우시안 커널 공간 분포 손실 목표 정렬"의 최적화 목표를 구성하여 생성기에 기울기 공간 선택성을 부여하고 모델이 고정밀 핵심 영역에 주의를 맞추도록 인도한다. 가시광선-적외선 이미지 쌍을 데이터셋으로 사용한 실험 결과, 가우시안 동적 커널 개선 모델은 생성된 적외선 이미지의 피크 신호대잡음비와 구조적 유사성 지수(SSIM)를 각각 3dB와 0.06만큼 향상시켰으며, 전통적인 고정 가중치 전략의 한계를 효과적으로 보완하여 적외선 소규모 목표 증강 및 적외선 이미지 향상 분야에서 매우 강력한 실용 가치를 가진다.

pix2pix 모델; 학습 가능한 가우시안 커널; 동적 가중치; 적외선 이미지 생성; 마스크 유도