< (왼쪽부터) 전기및전자공학부 김문철 교수, 정보전자연구소 도정혁 박사 >

우주에서 지구를 촬영한 위성영상은 구름에 가려 지상이 보이지 않거나, 촬영 방식에 따라 일반 사진과 달라 알아보기 어려울 때가 있다. 우리 대학 연구진이 다양한 지형과 도시의 모습을 학습해, 구름에 가려진 영상을 복원하고 레이더 영상을 일반 사진처럼 바꿔주는 인공지능(AI)을 개발했다. 위성영상을 만드는 과정에서 익힌 지식을 여러 영상 처리 작업에 활용한 것으로, 재난 대응과 환경 감시에 위성자료의 쓰임을 넓힐 것으로 기대된다.

우리 대학은 전기및전자공학부 김문철 교수 연구팀이 위성영상의 생성·복원·변환에 활용할 수 있는 AI ‘지오코어-9B(GeoCore-9B)’를 개발했다고 20일 밝혔다. 이 AI의 핵심 모델은 학습하면서 약 90억 개의 모델 매개변수를 조정해 영상의 특징을 익힌다. 지오코어-9B(GeoCore-9B)는 방대한 위성자료를 미리 학습한 뒤 여러 작업에 맞춰 활용할 수 있어, 다양한 AI 기술의 바탕이 되는 ‘파운데이션 모델’에 해당한다.

< GeoCore-9B의 연구 활용 이미지 >

위성영상은 산림과 도시의 변화를 관찰하고, 홍수나 산불 등 재난에 대응하는 데 중요한 자료다. 하지만 햇빛이 지표에 반사되는 모습을 촬영하는 광학영상은 구름이 짙거나 밤이면 지상을 관측하기 어렵다. 전파를 쏘고 되돌아오는 신호로 지상을 관측하는 합성개구레이더(SAR)는 밤이나 구름이 낀 날에도 지구 지표면의 영상 자료를 확보할 수 있지만, 영상의 밝기와 패턴이 일반 사진과 달라 해석하기 어렵다.

연구팀은 이러한 위성자료를 처리할 공통 기반을 만들기 위해, 영상 생성을 담당하는 핵심 모델을 지구관측 데이터로 처음부터 학습했다. 일반 사진 생성 모델의 핵심 부분을 가져와 수정하는 대신, 위성에서 내려다본 지형과 산림, 항구 및 도시의 모습을 바탕으로 새롭게 학습한 것이다.

학습에는 전 세계 위성영상과 각 영상의 내용을 설명하는 문장을 짝지은 자료 1,000만 쌍을 활용했다. 예를 들어 항구 사진에 배와 창고가 모여 있다는 설명을 붙이고, 농촌 사진에는 논밭 사이로 도로가 이어진다는 설명을 붙이는 식이다. AI는 이처럼 방대한 ‘설명이 붙은 지구 사진첩’을 학습하며 다양한 지형과 도시의 특징을 익혔다.

< 사전학습에서 작업별 활용으로 이어지는 과정 >

이번 연구의 주요 특징은 AI가 영상에 무엇이 있는지뿐 아니라, 지구상의 어디를 얼마나 넓게 보고 있는지도 함께 학습하도록 했다는 점이다. 위성영상에서는 비슷한 모양이라도 실제 크기에 따라 작은 건물일 수도, 대규모 산업시설일 수도 있다. 따라서 촬영 위치와 공간 규모를 함께 반영하는 것이 중요하다.

이를 위해 연구팀은 설명 문장과 함께 위도·경도, 지상표본거리(GSD)를 학습에 활용했다. 위도·경도는 지구상의 위치를, 지상표본거리는 영상의 가장 작은 단위인 한 픽셀이 실제 지상에서 어느 정도 크기에 해당하는지를 알려준다. 예를 들어 지상표본거리가 1미터라면 한 픽셀은 지상의 가로·세로 약 1미터 범위를 나타낸다. AI는 이러한 정보를 바탕으로 위치와 공간 규모에 맞는 영상을 생성하도록 학습했다.

지형과 도시의 구조를 더 잘 표현하도록 돕는 학습 방법도 적용했다. 위성영상 전문 AI가 파악한 특징을 생성 모델이 참고하도록 한 ‘지리공간 의미 정렬’ 기법이다. 도로의 연결이나 농경지의 경계처럼 영상 속 구조를 더 잘 익히도록 학습 기준을 제공하는 방식이다.

연구팀은 이렇게 학습한 지오코어-9B를 구름 제거와 레이더 영상 변환에 각각 맞춰 추가 학습했다. 이때 핵심 모델은 유지하고 작은 추가 부분을 학습하는 ‘로라(LoRA)’ 방식을 활용했다. 작업마다 대형 AI 전체를 처음부터 다시 학습하는 부담을 줄이기 위한 방법이다.

공개 위성자료로 성능을 평가한 결과, 지오코어-9B는 구름에 가려진 영상을 복원하는 실험에서 기준 영상과의 밝기·색상 및 구조적 유사성을 평가하는 주요 지표에서 기존 전문 모델보다 우수한 성능을 보였다. 레이더 영상을 광학영상 형태로 바꾸는 실험에서도 생성 영상의 품질과 세부 구조를 평가하는 일부 지표에서 가장 좋은 결과를 기록했다.

< 구름 낀 관측 영상의 복원 결과 >

< 지상표본거리에 따른 위성영상 변화 >

이번 성과는 위성영상을 생성하며 배운 지식을 실제 관측 영상의 복원과 변환에도 활용할 수 있음을 보여준다. 향후 구름이나 촬영 방식 때문에 활용하기 어려웠던 자료의 쓰임을 넓히고, 재난 지역의 상황 파악과 산림·농경지·도시 변화 관찰을 지원할 것으로 기대된다. 공통 모델을 여러 작업에 맞춰 활용함으로써 개별 AI를 새로 개발하는 비용과 시간을 줄일 수 있다.

연구팀은 앞으로 더 다양한 센서와 지역에서 성능을 확인하고, 실제 재난 대응에 활용하기 위해, 홍수나 건물 파손, 산불, 도시확장 등의 지형 변화를 정확하게 예측하는 연구와 감시/정찰을 위한 국방 분야 응용 연구로도 적용 범위를 넓힐 계획이다.

< 연구 이미지 (AI 생성) >

김문철 교수는 “위성영상의 촬영 위치와 실제 지형의 크기까지 학습해, 하나의 AI를 구름 제거와 영상 변환 등 여러 작업에 활용하도록 했다”며, “앞으로 날씨나 촬영 방식 때문에 활용하기 어려웠던 위성자료의 쓰임을 넓혀 재난 상황 파악과 산림·도시 변화 관찰에 도움이 될 것으로 기대한다”고 말했다.

이번 연구는 KAIST 정보전자연구소 도정혁 박사가 제1저자로 주도하고, 전기및전자공학부 김문철 교수가 교신저자로 참여했다. 연구 결과는 인공지능 분야 주요 국제학술대회인 뉴립스(NeurIPS) 2026에 채택됐으며, 논문은 2026년 8월 3일 온라인 논문 공개 사이트 아카이브(arXiv)에 사전 공개됐다.

※ 논문명: GeoCore-9B: Towards Geo-Aware Generative Foundation Models in Earth Observation. DOI: https://doi.org/10.48550/arXiv.2608.01896
※ 저자: Jeonghyeok Do, Munchurl Kim

이번 연구는 과학기술정보통신부와 정보통신산업진흥원의 ‘첨단 GPU 활용 지원 사업’을 통해 고성능 연산 자원을 지원받아 수행됐다. GPU는 많은 계산을 동시에 처리하는 반도체로, 대규모 AI 학습에 활용된다.

출처 : https://researchnews.kaist.ac.kr/researchnews/html/news/?mode=V&mng_no=68370