소형 SAR 군집위성은 짧은 재방문 주기를 기반으로 높은 관측빈도를 제공하며, 수자원 관리 및 수재해 모니터링과 같이 시간적 연속성이 중요한 응용에 효과적이다. 본 연구에서는 대표적인 SR 모델인 HAT, SwinFIR, ESRGAN을 이용하여 학습데이터를 벤치마킹하였다. 모델 간 공정한 비교를 위해 동일한 데이터셋과 학습 프로토콜을 적용하고, ×4 확대 조건에서 학습을 수행하였다. 수행 결과, 모델 간 성능은 PSNR 33.5 dB 및 SSIM 0.74 내외 범위에서 나타났으며 세 모델 중 HAT이 가장 높은 성능을 나타냈다. SwinFIR 또한, 유사한 결과를 보이며 Transformer 기반 SR 모델이 SAR 진폭 영상에 안정적인 복원 성능을 나타냈다. 반면 ESRGAN은 PSNR 및 SSIM 기준 성능이 상대적으로 낮게 나타났으며, ESRGAN이 시각적 선명도와 질감 재현을 강조하는 구조적 특성으로 인해 SAR 진폭 영상의 스페클 성분을 강화하여 정량 지표가 저하된 것으로 해석된다. GAN 기반 모델보다 PSNR 및 SSIM 측면에서 우수한 성능을 보였으며, attention 기반 구조가 공간적 맥락을 보존하면서 SAR 산란 패턴을 보다 안정적으로 복원하기 때문으로 해석된다. SAR 진폭 영상의 초해상화는 시각적 품질 중심의 GAN 접근보다 구조적 패턴 복원을 강조하는 Transformer 계열이 정량 지표 측면에서 상대적으로 안정적임을 확인하였다. 기존 초해상화 모델은 광학 RGB 영상의 통계적 특성을 기반으로 설계되어 SAR 진폭 자료의 산란 구조와 스페클 특성을 반영하지 못하는 한계를 보였다. 또한 PSNR 및 SSIM만으로는 방사 일관성과 물리적 타당성을 평가하기 어렵다. 향후에는 SAR의 물리·통계적 특성을 고려한 목적함수 설계와 방사 편향 및 분포지표를 포함하는 프레임워크 연구가 필요하다.