본 논문은 심층 학습 기반 팬샤프닝 기법의 실용성 제고를 위해, 저해상도 이미지의 강한 지도 학습 제약 조건과 고해상도 이미지의 물리적 특성을 효과적으로 통합하는 2단계 임의 교대 프레임워크(TRA-PAN)를 제안합니다. 1단계에서는 공간-분광 분해 매핑을 포착하는 DAM(Degradation-Aware Modeling)과 학습 시간 단축 및 저해상도 데이터의 부정적 영향 완화를 위한 워밍업 절차를 포함하는 사전 학습 절차를 도입합니다. 2단계에서는 저해상도 및 고해상도 이미지의 강점을 활용하는 RAO(Random Alternation Optimization)를 통해 융합 모델을 추가로 최적화합니다. 주로 고해상도 이미지에 의존하여 단일 이미지 쌍만으로 제로샷 학습을 가능하게 하며, 대규모 데이터셋이 필요하지 않습니다. 실험 결과, TRA-PAN은 실제 환경에서 정량적 지표와 시각적 품질 모두에서 최첨단(SOTA) 방법들을 능가하며, 강력한 실용성을 보여줍니다.
