SAR 영상 기반 희소 객체 탐지를 위한 데이터셋 구축 방안 연구

1. 서론 (Introduction)

1.1 연구 배경: 국방 우주 자산의 패러다임 전환과 데이터 기근

현대 전장은 '국방혁신 4.0'으로 대변되는 초연결, 초지능화 기반의 과학기술 강군 육성을 목표로 급격한 패러다임의 변화를 겪고 있다. 특히 대한민국 정부는 2023년 12월 확정된 제4차 우주개발진흥 기본계획을 통해 독자적인 우주 감시 정찰 능력 확보를 국가 안보의 핵심 과제로 설정하였다.1 이는 북한의 핵·미사일 위협 및 주변국의 군사적 움직임을 조기에 탐지하고 식별하기 위한 필수적인 조치로, 정부는 2030년까지 다수의 초소형 군집 위성 시스템을 구축하여 한반도 및 주변 해역의 재방문 주기를 획기적으로 단축시키는 것을 목표로 하고 있다.2 이러한 위성 체계의 핵심 센서로 주목받는 것이 바로 합성개구레이더(Synthetic Aperture Radar, SAR)이다.

 

 

SAR는 전자광학(EO) 센서와 달리 구름이나 안개 등 기상 악화 상황이나 야간에도 전천후로 고해상도 영상을 획득할 수 있어, 적시적인 감시 정찰(ISR) 작전에 필수불가결한 자산으로 평가받는다.3

 

그러나 하드웨어적인 위성 자산의 확충에 비해, 획득된 방대한 영상 정보를 효율적으로 처리하고 분석할 수 있는 소프트웨어적 역량, 특히 인공지능(AI) 기반의 자동 표적 식별(Automatic Target Recognition, ATR) 기술의 확보는 여전히 난항을 겪고 있다. 딥러닝 기반의 최신 객체 탐지 모델들은 인간의 인지 능력을 상회하는 성능을 보여주고 있으나, 이를 달성하기 위해서는 수십만 장 이상의 정제되고 레이블링 된(Labeled) 학습 데이터가 필수적으로 요구된다. 하지만 SAR 영상은 광학 영상과 달리 전자기적 산란 특성에 기반하여 형성되므로, 육안 판독을 위해서는 고도의 전문 지식이 필요하며, 이에 따라 양질의 레이블링 데이터를 확보하는 데 막대한 비용과 시간이 소요된다.4

 

더욱 심각한 문제는 '희소 객체(Sparse Object)'에 대한 데이터 부재이다. 적성국의 최신 이동식 미사일 발사대(TEL), 전략 폭격기, 신형 잠수함 등은 보안상의 이유로 실측 데이터를 확보하는 것이 현실적으로 불가능에 가깝다. MSTAR, FUSAR-Ship 등 기존에 공개된 데이터셋은 대부분 구형 장비나 민간 선박 위주로 구성되어 있어, 급변하는 현대 전장의 위협 객체를 탐지하고 식별하는 AI 모델을 학습시키기에는 한계가 명확하다.5 이러한 데이터의 불균형(Data Imbalance)과 희소성(Sparsity) 문제는 국방 AI 모델의 실전 배치와 신뢰성 확보를 저해하는 가장 큰 걸림돌로 작용하고 있다.

 

1.2 연구의 필요성: 물리와 AI의 융합을 통한 난제 해결

전통적인 데이터 증강(Data Augmentation) 기법은 이미지를 회전시키거나 자르는 등의 단순 변환에 그쳐, SAR 영상 고유의 복잡한 물리적 특성인 스페클(Speckle), 레이오버(Layover), 그림자(Shadow) 등을 반영하지 못한다. 또한, 최근 급부상한 생성형 AI(Generative AI) 기술, 특히 GAN(Generative Adversarial Networks)이나 Diffusion Model은 시각적으로 그럴듯한 이미지를 생성할 수 있으나, 전자기학적 물리 법칙을 무시한 채 픽셀 통계만을 모방하여 레이더 반사 특성이 결여된 '환각(Hallucination)' 이미지를 생성할 위험이 크다.7

 

따라서, 본 연구는 전자기파 산란 해석에 기반한 물리적 시뮬레이션 기술과 최신 생성형 AI 기술을 융합하여, 획득이 어려운 희소 객체에 대한 고품질의 합성 데이터셋(Synthetic Dataset)을 구축하는 방안을 제안한다. 이는 단순히 데이터의 양을 늘리는 것을 넘어, 전자기적 정합성(Physical Consistency)을 갖춘 데이터를 생성함으로써, AI 모델이 시각적 패턴이 아닌 표적의 물리적 산란 특성을 학습하도록 유도한다. 이는 데이터가 극히 부족한 퓨샷(Few-Shot) 환경에서도 높은 탐지 성능을 보장하며, 나아가 국가 안보를 위한 독자적인 AI 학습 데이터 자산을 확보한다는 측면에서 시급하고도 중요한 과제이다.7

 

1.3 연구 목표 및 범위

본 연구의 최종 목표는 "물리적 정합성과 시각적 사실성을 동시에 만족하는 하이브리드 SAR 데이터 생성 파이프라인 구축 및 희소 객체 탐지 성능 극대화"이다. 이를 달성하기 위해 본 제안서는 다음과 같은 세부 연구 목표를 설정한다.

 

1. 물리 기반 고정밀 시뮬레이션 환경 구축: Ray Tracing 기법 및 고정밀 3D CAD 모델을 활용하여, 다양한 관측 조건(입사각, 방위각, 주파수 등)에서의 이론적 SAR 영상을 생성한다.
2. 생성형 AI 기반 Sim-to-Real 도메인 적응 기술 개발: 시뮬레이션 영상의 인위적 특징을 제거하고 실제 SAR 센서의 잡음 및 클러터 특성을 반영하기 위해, 물리적 제약 조건을 포함한 $\Phi$-GAN 및 Diffusion Model을 개발한다.
3. 희소 객체 특화 시나리오 기반 데이터셋 구축: 적 전략 자산 등 희소 객체에 대해 은폐, 엄폐, 위장 등 다양한 전장 시나리오를 반영한 데이터셋을 구축한다.
4. 객관적 품질 검증 및 벤치마크 개발: 생성된 데이터의 효용성을 입증하기 위해 전자기적 특성 분석 및 AI 탐지 모델(Few-Shot Detector) 기반의 정량적, 정성적 검증 체계를 수립한다.

 

2. 관련 기술 현황 및 분석 (State of the Art Analysis)

2.1 SAR 영상 시뮬레이션 기술의 진화

SAR 영상 시뮬레이션 기술은 크게 전자기 해석 기반 방식과 기하 광학 기반 방식, 그리고 최근의 AI 기반 방식으로 구분된다.

 

2.1.1 전자기 해석 및 광선 추적(Ray Tracing) 기반 시뮬레이션

 

전통적인 시뮬레이션은 Maxwell 방정식의 근사 해법을 활용한다. FDTD(Finite-Difference Time-Domain)와 같은 전파 해석법(Full-wave method)은 정확도가 매우 높으나 계산 비용이 과도하여 대규모 데이터셋 구축에는 부적합하다.9 이에 대한 대안으로 고주파 근사법인 Ray Tracing(광선 추적법)이 널리 사용된다. 대표적인 도구인 RaySAR나 XPATCH는 3D 모델에 가상의 레이더 신호를 방사하고, 표면에서 반사(Bounce)되어 돌아오는 경로를 추적하여 영상을 형성한다.10 이 방식은 표적의 기하학적 구조에 따른 산란점(Scattering Center) 위치를 정확히 예측할 수 있으며, 입사각과 방위각을 자유롭게 조절할 수 있다는 장점이 있다.11 그러나 배경 클러터나 복잡한 지형지물과의 상호작용을 완벽하게 모사하기 어려워, 결과물이 지나치게 깨끗하거나 배경과 표적이 분리되어 보이는 'Synthetic Gap' 문제가 발생한다.12 최근 연구에서는 NVIDIA OptiX 엔진 등을 활용하여 GPU 가속을 통한 고속 렌더링을 구현함으로써 이러한 계산 비용 문제를 해결하려는 시도가 이루어지고 있다.12

 

2.1.2 미분 렌더링(Differentiable Rendering)

 

최근 컴퓨터 그래픽스 분야에서 발전한 미분 렌더링 기술이 SAR 시뮬레이션에도 도입되고 있다. 이는 렌더링 과정 자체를 미분 가능한 함수로 모델링하여, 생성된 영상과 실제 영상 간의 차이를 역전파(Backpropagation)를 통해 3D 모델의 파라미터나 텍스처를 최적화하는 방식이다.14 이는 시뮬레이션의 물리적 파라미터를 데이터로부터 학습할 수 있게 하여 시뮬레이션의 정밀도를 높이는 데 기여한다.

 

2.2 생성형 AI를 활용한 SAR 영상 합성 동향

딥러닝 기술의 비약적인 발전은 데이터 생성 분야에 혁명을 가져왔다. 특히 GAN과 Diffusion Model은 SAR 영상 생성의 새로운 가능성을 열고 있다.

 

2.2.1 GAN 및 Diffusion Model 기반 접근

 

초기 연구는 CycleGAN 등을 이용하여 광학 영상을 SAR 영상으로 변환(Image-to-Image Translation)하거나, 단순한 노이즈로부터 SAR 영상을 생성하는 데 집중했다.15 그러나 이러한 순수 데이터 기반 접근(Data-driven approach)은 SAR 영상의 위상(Phase) 정보나 복소수 특성을 반영하지 못하고, 단순히 진폭(Amplitude) 영상의 텍스처만 모방하는 한계가 있었다.

 

최근에는 Denoising Diffusion Probabilistic Models(DDPM)이 GAN 대비 우수한 모드 커버리지(Mode Coverage)와 학습 안정성을 보여주며 SAR 영상 생성 분야에서도 주목받고 있다. DDPM은 데이터 분포를 가우시안 노이즈로 점진적으로 확산시킨 후, 이를 다시 복원하는 과정을 학습함으로써 고품질의 샘플을 생성한다.17 특히 텍스트 프롬프트를 통해 영상을 제어하는 기술이나, 레이아웃을 보존하며 영상을 생성하는 ControlNet 기술 등이 SAR 영상 생성에 접목되고 있다.18

 

2.2.2 물리학 기반 생성 모델 (Physics-Informed Generative AI)

 

AI 모델이 물리 법칙을 위배하는 영상을 생성하는 문제를 해결하기 위해, 물리적 제약 조건을 손실 함수(Loss Function)에 포함시키는 연구가 활발하다. 예를 들어, $\Phi$-GAN(Physics-Informed GAN)은 표적의 이상적인 산란점(Ideal Point Scattering Center) 정보를 GAN의 학습 과정에 주입하여, 생성된 영상이 실제 전자기적 산란 특성과 일치하도록 유도한다.7 이는 시각적 사실성뿐만 아니라 물리적 타당성까지 확보할 수 있어, 군사적 목적으로 활용 가능한 고신뢰성 데이터를 생성하는 데 적합하다.

 

2.3 희소 객체 탐지 및 퓨샷 러닝 (Few-Shot Object Detection)

희소 객체 탐지는 훈련 데이터가 극히 적은 상황(Few-Shot)에서 새로운 클래스를 탐지해야 하는 난제이다. 기존의 지도 학습(Supervised Learning) 방식은 대량의 데이터를 요구하므로 이에 부적합하다. 이를 극복하기 위해 메타 러닝(Meta-Learning)이나 전이 학습(Transfer Learning)이 연구되고 있다.19 특히 'Support Set'이라 불리는 소수의 예제 이미지만으로 새로운 객체의 특징을 빠르게 학습하는 모델 구조가 핵심이다. SAR 분야에서는 비행기나 선박과 같이 클래스 간의 형상적 유사도가 높지만 세부 산란 특성이 다른 표적을 구별하기 위해(Fine-grained recognition), 단순한 시각적 특징보다는 산란점의 분포와 강도 등 물리적 특징을 메타 지식으로 활용하는 연구가 진행되고 있다.8 최근 벤치마크 결과에 따르면, 이러한 접근법은 기존 방식 대비 15~20% 이상의 성능 향상을 보이고 있다.8

 

2.4 시장 및 정책 환경 분석

글로벌 SAR 시장은 2025년 약 321억 달러 규모로 성장할 것으로 전망되며, 2035년에는 833억 달러에 이를 것으로 예측된다.20 특히 아시아 태평양 지역은 가장 빠른 성장세를 보이고 있으며, 이는 한반도를 둘러싼 지정학적 긴장감과 맞물려 국방 및 정보 분야의 수요가 급증하고 있음을 시사한다.21 대한민국 역시 2025년 국방 예산 중 우주 및 AI 분야 투자를 대폭 확대하고 있으며, 민간 기업들의 위성 발사 및 데이터 서비스 진출을 장려하는 정책을 펼치고 있다.22 이러한 환경에서 고품질의 학습 데이터셋 구축 기술은 단순한 연구개발을 넘어, 국가 안보 역량 강화와 우주 방산 수출 경쟁력 확보를 위한 핵심 자산이 될 것이다.

 

3. 연구 개발 내용 및 구축 방법론 (Methodology)

본 연구는 물리적 시뮬레이션의 정확성과 생성형 AI의 표현력을 결합한 "물리-AI 하이브리드 파이프라인(Physics-AI Hybrid Pipeline)"을 구축한다. 이 파이프라인은 크게 네 단계로 구성된다.

 

3.1 [Phase 1] 희소 객체 3D 라이브러리 및 시나리오 구축

가장 먼저, 실제 데이터를 구할 수 없는 희소 객체에 대한 정밀한 가상 모델을 확보해야 한다.

 

• 다중 해상도 3D CAD 모델링: 적성국의 주요 위협 자산(TEL, 탄도미사일, 최신형 전투기, 잠수함 등)에 대해 공개된 정보(OSINT)와 군사 정보를 바탕으로 고정밀 3D CAD 모델을 제작한다. 이때 단순한 형상뿐만 아니라, SAR 반사 신호에 결정적인 영향을 미치는 표면의 미세 거칠기(Roughness), 재질(금속, 복합소재, RAM 도료 등) 정보를 상세히 매핑한다.
• 동적 관절(Articulation) 모델링: 기존 MSTAR 데이터셋의 정적인 한계를 극복하기 위해, 포탑의 회전, 미사일 발사대의 기립 각도, 전투기의 날개 접힘 여부, 해치 개방 등 표적의 형상 변화를 반영할 수 있는 동적 모델을 구축한다. 이는 AI 모델이 동일한 표적의 다양한 형상 변이를 학습하여 강건성(Robustness)을 확보하는 데 필수적이다.5
• 복합 재질 라이브러리: 전자기파 시뮬레이션의 정확도를 높이기 위해, 주파수 대역(X, C, L-band)별로 각 재질의 유전율($\epsilon$)과 투자율($\mu$) 데이터베이스를 구축하여 시뮬레이터에 연동한다.

 

3.2 [Phase 2] 고정밀 전자기파 시뮬레이션 (Physics Simulation Layer)

확보된 3D 모델을 바탕으로 가상의 SAR 영상을 생성한다. 이 단계의 목표는 노이즈가 없는 이상적인 환경에서의 '순수 산란 신호(Clean Scattering Signal)'를 획득하는 것이다.

 

• Ray Tracing & SBR (Shooting and Bouncing Rays): 수치해석적 효율성을 위해 SBR 기법을 적용한다. 이는 가상의 레이더 소스에서 수백만 개의 광선(Ray)을 방사하고, 표적 표면에서 반사되는 경로를 추적하여 수신 안테나로 돌아오는 신호를 계산한다.10

• 다중 반사(Multi-bounce) 구현: SAR 영상에서 밝게 나타나는 코너 반사(Corner Reflection)나 이중 반사(Double-bounce) 효과를 정밀하게 모사하기 위해 최대 반사 횟수를 5회 이상으로 설정하여 계산한다.

• 다양한 관측 파라미터 적용:

• 입사각(Incidence Angle): 위성의 궤도 특성을 반영하여 15도에서 60도까지 다양한 입사각에서의 영상을 생성한다.
• 방위각(Azimuth Angle): 0도에서 360도 전 방향에 대해 1도 단위의 조밀한 샘플링을 수행한다.
• 해상도(Resolution): 초소형 위성의 제원을 고려하여 0.3m, 0.5m, 1m 등 다양한 해상도 모드를 지원한다.

• 원시 신호(Raw Signal) 생성: 단순한 이미지 렌더링을 넘어, SAR 신호 처리 알고리즘(Range-Doppler Algorithm 등)을 검증할 수 있도록 위상 정보가 포함된 복소수(Complex) 형태의 원시 데이터(Phase History Data)를 생성한다.11

 

3.3 [Phase 3] AI 기반 Sim-to-Real 도메인 적응 (Neural Rendering Layer)

시뮬레이션 영상은 물리적으로 정확하지만, 실제 SAR 영상 특유의 질감과 배경 잡음이 결여되어 있다. 이 단계에서는 생성형 AI를 활용하여 시뮬레이션 영상에 '현실감'을 부여한다.

 

• Physics-Informed Diffusion Model 개발: 최신 생성 모델인 Diffusion Model을 SAR 도메인에 최적화하여 적용한다.

• Conditioning: 시뮬레이션된 깨끗한 영상을 조건(Condition)으로 입력받아, 구조적 정보(산란점 위치)는 유지하면서 실제 SAR 영상의 스페클 노이즈와 배경 클러터 스타일을 입힌다.
• Scattering Center Consistency Loss: 생성 과정에서 표적의 핵심 특징인 강한 산란점(Strong Scattering Centers)이 소실되거나 위치가 왜곡되는 것을 방지하기 위해, 시뮬레이션된 산란점 맵(Scattering Center Map)과 생성된 영상 간의 물리적 일치성을 강제하는 손실 함수를 도입한다.7
• 수식적 모델링:
  
  $$L_{total} = L_{diff} + \lambda_{physics} L_{scatter} + \lambda_{style} L_{perceptual}$$
  
  여기서 $L_{scatter}$는 산란점의 위치와 강도(Magnitude) 보존을 위한 항이다.

• Unpaired Image-to-Image Translation: 레이블이 없는 실제 SAR 영상(배경, 일반 차량 등)을 수집하여 '스타일(Style)' 데이터로 활용한다. CycleGAN이나 Schrödinger Bridge 기반의 변환 기술을 적용하여, 시뮬레이션 도메인의 영상을 실제 도메인으로 매핑하되, 짝(Pair)이 맞는 데이터가 없어도 학습이 가능하도록 한다.15

 

3.4 [Phase 4] 배경 융합 및 데이터 증강 (Contextual Synthesis)

단일 객체 영상을 넘어, 실제 전장 환경과 유사한 대규모 장면(Scene) 데이터를 생성한다.

 

• 배경 데이터베이스 구축: 한반도의 지형적 특성을 반영한 산악, 농경지, 도심, 해안선 등 다양한 배경의 실제 SAR 패치(Patch)를 데이터베이스화한다.
• 지능형 객체 배치(Placement): 단순히 객체를 배경 위에 붙여넣는 것이 아니라, 주변 지형에 따른 그림자(Shadow) 효과를 논리적으로 생성하고, 객체와 배경의 경계면을 자연스럽게 블렌딩(Blending)한다.
• 하드 네거티브(Hard Negative) 생성: 탐지 모델의 변별력을 높이기 위해, 표적과 유사한 형태의 바위, 컨테이너, 폐차량 등을 의도적으로 배치하여 오탐(False Alarm)을 유발하고 이를 학습 과정에서 극복하도록 유도한다.
• 복합 시나리오 구현: 다수의 표적이 군집해 있거나(Convoy), 숲이나 건물에 의해 일부가 가려진(Occlusion) 상황, 위장막(Camouflage)을 설치한 상황 등 실전에서 발생 가능한 극한의 시나리오를 데이터셋에 포함시킨다.25

 

4. 데이터셋 품질 검증 및 표준화 전략 (Validation & Standardization)

합성 데이터의 효용성은 실제 작전 환경에서의 신뢰성과 직결되므로, 다각적이고 엄격한 검증 절차가 필수적이다.

 

4.1 정량적 검증 지표 (Quantitative Metrics)

데이터의 통계적 분포와 물리적 특성을 수치적으로 평가한다.

 

• 분포 유사도 평가:

• FID (Fréchet Inception Distance): 실제 SAR 영상 집합과 생성된 합성 영상 집합 간의 특징 분포 거리를 측정하여 시각적 유사도를 평가한다.
• KID (Kernel Inception Distance): 데이터 샘플 수가 적은 경우에도 안정적인 성능을 보이는 KID를 활용하여 보완적인 평가를 수행한다.26
• MMD (Maximum Mean Discrepancy): 두 확률 분포 간의 차이를 커널 기반으로 측정하여, 생성된 데이터가 실제 데이터의 통계적 모멘트를 잘 따르는지 확인한다.

• 물리적 정합성 평가:

• Dynamic Range Check: 생성된 영상의 픽셀 강도(Intensity) 분포가 실제 SAR 센서의 dB 스케일 범위 내에 존재하는지 검증한다.
• Scattering Center Error: 시뮬레이션 원본과 AI 변환 영상 간의 주요 산란점 위치 오차(RMSE) 및 강도 비율 변화를 측정하여 구조적 왜곡 여부를 판단한다.27

 

4.2 실전적 효용성 검증 (Utility Validation)

데이터 자체의 품질을 넘어, 이 데이터를 사용하여 학습된 AI 모델의 성능 향상도를 평가한다.

 

• Downstream Task 성능 평가: 생성된 데이터로 학습시킨 객체 탐지 모델(Faster R-CNN, YOLO 등)을 실제 SAR 테스트 데이터셋(MSTAR, 자체 보유 실측 데이터)에 적용하여 mAP(mean Average Precision), Recall, Precision을 측정한다.
• 데이터 효율성 평가: 100% 합성 데이터로만 학습했을 때와 실측 데이터를 일부 섞어 학습했을 때의 성능 추이를 비교하여, 합성 데이터가 실측 데이터를 얼마나 대체할 수 있는지 분석한다.28
• Few-Shot Benchmark: FewSAR 등 최신 벤치마크 프로토콜을 따라 1-shot, 5-shot, 10-shot 설정에서의 성능을 평가하고, 기존 방법론 대비 우수성을 입증한다.29

 

4.3 정성적 평가 및 표준화 (Qualitative & Standardization)

• NIIRS (National Imagery Interpretability Rating Scale) 평가: 영상 판독 전문가(Imagery Analyst)를 초빙하여 생성된 영상의 판독 가능 수준을 NIIRS 척도(0~9등급)로 평가한다. 이는 군사적 효용성을 판단하는 가장 권위 있는 지표이다.30
• 데이터 표준화: 생성된 데이터셋의 호환성을 위해 메타데이터 표준을 수립한다. 여기에는 위성 궤도 정보, 센서 제원, 촬영 시각, 입사각, 표적의 세부 제원 등이 XML 또는 JSON 형식으로 포함되며, 미 국방성의 SICD(Sensor Independent Complex Data) 등 국제 표준 규격을 준용하여 향후 연합 작전 간 상호운용성을 보장한다.28

 

5. 기대 효과 및 활용 방안 (Expected Impact)

5.1 군사적/안보적 기대 효과

• 비대칭 전력에 대한 감시 능력 획기적 강화: 북한의 이동식 발사대(TEL)나 잠수함 발사 탄도미사일(SLBM) 등 징후 포착이 어려운 핵심 표적에 대한 방대한 학습 데이터를 선제적으로 확보함으로써, 우리 군의 독자적인 킬체인(Kill-Chain) 감시 능력을 극대화한다.31
• 초소형 위성 체계 조기 전력화 기여: 2028년부터 본격화될 다수의 초소형 SAR 위성군에서 쏟아지는 영상 데이터를 즉각적으로 처리할 수 있는 AI 모델을 사전에 개발 및 검증함으로써, 체계 개발 기간을 단축하고 전력화 시기를 앞당길 수 있다.2
• AI 모델의 신뢰성 및 설명 가능성(XAI) 확보: 물리 기반 시뮬레이션을 통해 어떤 산란점이 표적 식별의 근거가 되었는지 역추적할 수 있으므로, 블랙박스 형태인 딥러닝 모델의 판단 근거를 설명할 수 있게 되어 작전 지휘관의 신뢰도를 제고한다.

 

5.2 기술적/학술적 파급 효과

• SAR 분야 생성형 AI 기술 선도: 광학 영상에 편중된 현재의 생성형 AI 기술을 레이더 도메인으로 확장하고, 물리적 제약 조건을 포함한 새로운 딥러닝 아키텍처($\Phi$-GAN 등)를 제시함으로써 관련 학계 및 기술계를 선도한다.7
• 한국형 SAR 표준 데이터셋 구축: MSTAR 등 노후화된 해외 데이터셋 의존에서 탈피하여, 한반도 지형과 전장 환경에 특화된 고품질의 독자 데이터셋을 구축함으로써 국내 산학연의 연구 활성화를 위한 마중물 역할을 수행한다.

 

5.3 경제적/산업적 활용 방안

• New Space 산업 생태계 활성화: 고가의 위성 영상을 대체할 수 있는 합성 데이터 기술은 자본력이 부족한 스타트업이나 중소기업이 위성 영상 분석 시장에 진입할 수 있는 장벽을 낮춘다. 이는 농작물 작황 분석, 재난 재해 모니터링, 해양 오염 감시 등 민간 분야의 다양한 파생 서비스 창출로 이어질 것이다.32
• 우주 방산 패키지 수출: 단순히 위성 하드웨어만 수출하는 것이 아니라, 위성 운용에 필수적인 영상 분석 솔루션과 학습 데이터를 패키지로 묶어 수출함으로써, 급성장하는 글로벌 우주 방산 시장에서 고부가가치를 창출할 수 있다.34

 

6. 결론 (Conclusion)

본 연구 제안서는 국방 우주 자산의 급격한 팽창과 이에 따른 데이터 분석 역량의 불균형을 해소하기 위한 핵심적인 해결책을 제시하였다. SAR 영상 기반의 희소 객체 탐지는 단순한 기술 개발을 넘어 국가 안보와 직결되는 시급한 과제이다. 본 연구에서 제안하는 물리 시뮬레이션과 생성형 AI의 융합은 기존의 데이터 부족 문제를 근본적으로 해결할 수 있는 유일하고도 현실적인 대안이다.

 

"Data is the new oil"이라는 격언처럼, AI 시대의 국방력은 양질의 데이터를 얼마나 보유하고 있느냐에 따라 결정된다. 본 연구를 통해 구축될 고품질의 합성 데이터셋과 자동 탐지 기술은 우리 군이 '과학기술 강군'으로 도약하고, 대한민국이 우주 강국으로 자리매김하는 데 있어 가장 든든한 초석이 될 것이다. 성공적인 연구 수행을 위해서는 전자기학, 신호 처리, 인공지능 분야 전문가들의 유기적인 협업이 필수적이며, 국방 데이터 보안 규정을 준수하면서도 산학연이 개방적으로 데이터를 활용하고 검증할 수 있는 오픈 플랫폼 형태의 생태계 조성이 병행되어야 할 것이다.

 

부록: 상세 기술 분석 및 구현 계획 (Appendix)

 

A.1 SAR 렌더링 파이프라인의 수치해석적 접근

본 연구에서 활용할 SBR(Shooting and Bouncing Rays) 기법의 핵심은 기하 광학(GO)과 물리 광학(PO)의 결합이다. 레이더 단면적(RCS, $\sigma$) 계산을 위해 다음과 같은 수식을 시뮬레이터에 적용한다.

 

$$E^s(r) = \frac{jk}{4\pi r} e^{-jkr} \iint_S \left[ \hat{s} \times (\hat{n} \times E) + \eta \hat{s} \times (\hat{s} \times (\hat{n} \times H)) \right] e^{jk \hat{s} \cdot r'} dS'$$

 

여기서 $E^s$는 산란 전기장, $\hat{s}$는 산란 방향 벡터, $\hat{n}$은 표면 법선 벡터를 의미한다. 1차 반사는 PO 근사를 통해 계산하고, 다중 반사는 GO 기반의 광선 추적을 통해 경로를 계산한 후 최종적으로 수신 안테나에서의 위상 합을 구한다. 이 과정을 통해 단순한 이미지가 아닌, 위상 정보가 보존된 복소수 데이터를 생성할 수 있다.

 

A.2 $\Phi$-GAN의 손실 함수 설계 상세

물리적 정합성을 보장하기 위한 $\Phi$-GAN의 손실 함수는 다음과 같이 설계된다.

 

1. Generator Loss:

 

$$L_G = -E_{z \sim p_z} + \lambda_{con} \| M_{real} - M_{gen} \|_1$$

 

여기서 첫 번째 항은 적대적 손실(Adversarial Loss)이며, 두 번째 항은 실제 영상과 생성 영상 간의 산란점 맵($M$) 차이를 최소화하는 물리적 일관성(Consistency) 항이다.

 

2. Discriminator Loss:

Discriminator는 단순한 진위 판별뿐만 아니라, 입력된 영상이 물리적으로 타당한 산란점 분포를 가지고 있는지를 판단하도록 학습된다. 이를 위해 산란점 추출 모듈(PSC Extractor)을 Discriminator 앞단에 부착하여, 비현실적인 산란점 분포를 가진 영상에 대해 강한 페널티를 부여한다.

 

A.3 시장 및 예산 분석 데이터

표 1. 글로벌 및 한국 위성 영상 서비스 시장 전망

 

구분	2024년 규모	2030년 전망	연평균 성장률(CAGR)	비고
글로벌 SAR 시장	321억 달러	833억 달러	10.0%	국방/정보 수요 주도 20
한국 위성 영상 시장	1.84억 달러	3.09억 달러	10.91%	정부 주도 투자 확대 32
국방 지리정보 시장	208억 달러	397억 달러	10.6%	아태지역 최고 성장률 35

위 표에서 보듯, SAR 및 위성 영상 시장은 매년 10% 이상의 고성장을 지속하고 있으며, 특히 한국 시장의 성장률(10.91%)은 글로벌 평균을 상회한다. 이는 본 연구 결과물의 경제적 가치와 산업적 활용 가능성이 매우 높음을 시사한다.

 

 

참고 자료

1. 초소형위성체계 사업이 우주개발 성장시대 연다 - 한국투자신탁운용, 12월 6, 2025에 액세스, https://papi.kitmc.com/file/download/500167
2. 초소형위성체계 개발 본격화 - 대한민국 정책브리핑, 12월 6, 2025에 액세스, https://korea.kr/news/pressReleaseView.do?newsId=156551588
3. Development of a SAR (Synthetic Aperture Radar) satellite capable of Earth surface observations during both day & night unde - KOASAS, 12월 6, 2025에 액세스, https://koasas.kaist.ac.kr/bitstream/10203/328176/3/r23_sub10_fulltext_eng.pdf
4. Transfer Adaptation Learning for Target Recognition in SAR Images: A Survey - IEEE Xplore, 12월 6, 2025에 액세스, https://ieeexplore.ieee.org/iel8/4609443/10330207/10612244.pdf
5. High-resolution SAR Aircraft Detection and Recognition Dataset（in English） - 雷达学报, 12월 6, 2025에 액세스, https://radars.ac.cn/en/article/doi/10.12000/JR23043
6. SARATR-X: A Foundation Model for Synthetic Aperture Radar Images Target Recognition, 12월 6, 2025에 액세스, https://arxiv.org/html/2405.09365v1
7. Physics-Inspired GAN for Generating SAR Images Under Limited Data - arXiv, 12월 6, 2025에 액세스, https://arxiv.org/html/2503.02242v1
8. Few-Shot Object Detection for SAR Images via Context-Aware and Robust Gaussian Flow Representation - MDPI, 12월 6, 2025에 액세스, https://www.mdpi.com/2072-4292/17/3/391
9. Imaging Simulation for Synthetic Aperture Radar: A Full-Wave Approach - MDPI, 12월 6, 2025에 액세스, https://www.mdpi.com/2072-4292/10/9/1404
10. Generating synthetic SAR images to train target classification algorithms - Aaltodoc, 12월 6, 2025에 액세스, https://aaltodoc.aalto.fi/bitstreams/c7bf7b01-ae2c-4c04-868f-2d53619a3975/download
11. SAR Image Simulation Based on Effective View and Ray Tracing - MDPI, 12월 6, 2025에 액세스, https://www.mdpi.com/2072-4292/14/22/5754
12. Advanced EM simulation for synthetic radar imagery - SPIE Digital Library, 12월 6, 2025에 액세스, https://www.spiedigitallibrary.org/conference-proceedings-of-spie/13459/134590R/Advanced-EM-simulation-for-synthetic-radar-imagery/10.1117/12.3054090.full
13. Differentiable Rendering for Synthetic Aperture Radar Imagery APPROVED BY SUPERVISING COMMITTEE - University of Texas at Austin, 12월 6, 2025에 액세스, https://repositories.lib.utexas.edu/bitstreams/53152d0c-165c-4188-ae05-ce3bce685056/download
14. Generative Artificial Intelligence Meets Synthetic Aperture Radar: A Survey - arXiv, 12월 6, 2025에 액세스, https://arxiv.org/html/2411.05027v1
15. [2203.09454] Synthetic-to-Real Domain Adaptation using Contrastive Unpaired Translation, 12월 6, 2025에 액세스, https://arxiv.org/abs/2203.09454
16. Optical-to-SAR Translation Based on CDA-GAN for High-Quality Training Sample Generation for Ship Detection in SAR Amplitude Images - MDPI, 12월 6, 2025에 액세스, https://www.mdpi.com/2072-4292/16/16/3001
17. [2405.07776] SAR Image Synthesis with Diffusion Models - arXiv, 12월 6, 2025에 액세스, https://arxiv.org/abs/2405.07776
18. [2411.05027] Generative Artificial Intelligence Meets Synthetic Aperture Radar: A Survey, 12월 6, 2025에 액세스, https://arxiv.org/abs/2411.05027
19. Few-Shot Object Detection in Remote Sensing Imagery via Fuse Context Dependencies and Global Features - MDPI, 12월 6, 2025에 액세스, https://www.mdpi.com/2072-4292/15/14/3462
20. Synthetic Aperture Radar (SAR) Market | Global Market Analysis Report - 2035, 12월 6, 2025에 액세스, https://www.futuremarketinsights.com/reports/synthetic-aperture-radar-sar-market
21. Geospatial Defense Applications Market Size, Share & 2030 Growth Trends Report, 12월 6, 2025에 액세스, https://www.mordorintelligence.com/industry-reports/geospatial-defense-applications-market
22. 2025년 우주항공청 주요정책, 12월 6, 2025에 액세스, https://www.hwawoo.com/newsletter/2025_01_24/250124_k_d.pdf
23. 우주청, 2026년 예산 1조1201억원 확정 "16.1% 증가"… 누리호 7차 발사도 추진, 12월 6, 2025에 액세스, https://www.newsspace.kr/news/article.html?no=11038
24. Optical-to-SAR image translation based on diffusion Schrödinger bridge - SPIE Digital Library, 12월 6, 2025에 액세스, https://www.spiedigitallibrary.org/conference-proceedings-of-spie/13283/132834D/Optical-to-SAR-image-translation-based-on-diffusion-Schr%C3%B6dinger-bridge/10.1117/12.3037223.full
25. Leveraging Mixed Data Sources for Enhanced Road Segmentation in Synthetic Aperture Radar Images - MDPI, 12월 6, 2025에 액세스, https://www.mdpi.com/2072-4292/16/16/3024
26. Metrics that Matter: Evaluating Image Quality Metrics for Medical Image Generation - arXiv, 12월 6, 2025에 액세스, https://arxiv.org/html/2505.07175v1
27. Multi-temporal Synthetic Aperture Radar Metrics Applied to Map Open Water Bodies, 12월 6, 2025에 액세스, https://www.gamma-rs.ch/uploads/media/2014-3_Multi-Temporal_Metrics.pdf
28. Improving SAR ATR Using Synthetic Data via Transfer Learning - KBR, 12월 6, 2025에 액세스, https://www.kbr.com/en/document/14396
29. FewSAR: A Few-shot SAR Image Classification Benchmark - arXiv, 12월 6, 2025에 액세스, https://arxiv.org/html/2306.09592
30. IMINT - NIIRS National Image Interpretability Rating Scales, 12월 6, 2025에 액세스, https://irp.fas.org/imint/niirs.htm
31. Developing the Direction of Military Space Capabilities in South Korea - Air University, 12월 6, 2025에 액세스, https://www.airuniversity.af.edu/JIPA/Display/Article/3428148/developing-the-direction-of-military-space-capabilities-in-south-korea/
32. South Korea Satellite Imagery Services Market Forecasts to 2030 - Mordor Intelligence, 12월 6, 2025에 액세스, https://www.mordorintelligence.com/industry-reports/south-korea-satellite-imagery-services-market
33. South Korea Satellite Imagery Services Market Size & Forecast - Verified Market Research, 12월 6, 2025에 액세스, https://www.verifiedmarketresearch.com/product/south-korea-satellite-imagery-services-market/
34. Defense Geospatial - Market Research, 12월 6, 2025에 액세스, https://www.marketresearch.com/Global-Industry-Analysts-v1039/Defense-Geospatial-41255285/
35. Military Intelligence - Geospatial analytics market outlook - Grand View Research, 12월 6, 2025에 액세스, https://www.grandviewresearch.com/horizon/statistics/geospatial-analytics-market/application/military-intelligence/global