Research on Generating a Domain Gap Reduction Hyperspectral Fog Synthesis Dataset through Modeling Wavelength-Specific Scattering Characteristics from a Frontal View

초분광 영상(Hyperspectral Imaging, HSI)은 넓은 파장 대역에서 물체의 세밀한 분광 정보를 획득하지만, 안개와 에어로졸에 의한 대기 산란은 영상의 대비와 신호를 저하시키고 분광 정보를 왜곡해 인식 알고리즘의 성능 저하로 이어진다. 딥러닝 기반 초분광 안개 제거 모델을 학습하려면 동일 장면의 대규모 Hazy–Clean 영상 쌍이 필요하지만, 실제 환경에서 이를 확보하기는 어렵다. 또한 기존 RGB 기반 안개 합성 방식은 파장별 산란 특성을 충분히 반영하지 못해 실제 영상과 합성 영상 간의 도메인 갭을 유발한다. 이에 본 연구는 통계적 추정에 의존하던 기존 방식에서 벗어나, 실측 대기광과 파장별 투과 특성을 결합한 전면 시점 공간–분광 안개 합성 프레임워크를 제안한다. SPECIM 라인 스캔 카메라로 획득한 519밴드 Hazy–Clean 영상에서 검정 벨벳 표적 기반의 파장별 대기광과 하위 백분위수 기반 공간 안개 분포를 추정하고, 이를 결합해 3차원 투과율 큐브를 구성한 뒤 농도 조절 계수로 다양한 농도의 안개를 생성한다. 실제 안개와 합성 안개의 정규화 분광 프로파일은 0.9347의 Spectral Correlation을 보였으며, 제안 방법은 두 ablation 변형보다 실제 안개 픽셀 분포에 가까운 결과를 나타냈다. 또한 제안 데이터로 학습한 디헤이징 모델은 실제 안개 영상에서 더 낮은 평균 복원 오차를 보여, 도메인 갭 감소와 일반화 성능 향상을 확인하였다.