본 논문은 원격 감지 영상의 팬샤프닝을 위한 심층 학습 기반 방법의 효율성을 제한하는 특징들의 이질성과 중복성을 효과적으로 활용하기 위한 새로운 방법을 제시한다. 특징들의 이질성과 중복성을 공분산 행렬로 모델링하고, 이를 비선형 함수로 처리하여 가중치를 생성하는 Correlation-Aware Covariance Weighting (CACW) 기법을 제안한다. 더 나아가, CACW를 기반으로 일반적인 적응형 이중 수준 가중치 부여 메커니즘(ADWM)을 제시하여 기존 심층 학습 방법들을 향상시킨다. ADWM은 Intra-Feature Weighting (IFW)과 Cross-Feature Weighting (CFW) 두 가지 관점에서 기존 방법들의 문제점을 해결한다. IFW는 각 특징 내 채널 간 상관관계를 평가하여 중복성을 줄이고 고유 정보를 강화하며, CFW는 계층 간 상관관계에 따라 계층 간 기여도를 조정하여 최종 출력을 개선한다. 광범위한 실험을 통해 ADWM이 최첨단(SOTA) 방법들보다 우수한 성능을 보임을 입증하고, 일반성 실험, 중복성 시각화, 비교 실험, 주요 변수 및 복잡도 분석, 그리고 ablation study를 통해 접근 방식의 효과를 검증한다. 소스 코드는 공개되어 있다.
