본 논문은 현대 딥러닝에서 제한적으로 사용되는 다중 프랙탈 분석을 활용하기 위해, Monofractal과 Multifractal Recalibration이라는 두 가지 유도적 사전 지식을 제안합니다. 이 방법들은 인코더 임베딩의 통계적 설명을 형성하기 위해 지수의 확률 질량과 다중 프랙탈 스펙트럼 간의 관계를 활용하며, 컨볼루션 네트워크에서 채널-어텐션 기능으로 구현됩니다. U-Net 기반 프레임워크를 사용하여 다중 프랙탈 재조정이 다른 채널-어텐션 메커니즘보다 상당한 성능 향상을 보였으며, ISIC18, Kvasir-SEG, BUSI 등 세 개의 의료 영상 데이터셋에서 검증되었습니다. 또한, 스킵 연결 때문에 U-Net 아키텍처에서 인코더 깊이가 깊어질수록 여기 응답이 더욱 전문화되지 않으며, 인스턴스 가변성의 전역 통계와 관련이 있을 수 있다는 점을 밝혀냈습니다.
