본 연구의 데이터셋 구축 및 초해상화 실험 절차는 (1) Worldview-3의 전정색(Panchromatic, PAN) 영상과 다중분광(Multispectral, MS) 영상 간의 ECC(Enhanced Correlation Coefficient) 기반 영상
정합을 수행하였다. (2) MTF-GLP(Modulation Transfer Function-Generalized Laplacian Pyramid) pansharpening 기법을 적용하여 고해상도 MS 영상을 생성하였으며, (3) 열화 과정을 통해 HR(High Resolution)-LR(Low Resolution) 데이터셋을 구축하였다. (4) 구축된 데이터셋을 활용하여 HAT, SwinFIR, ESRGAN 모델 기반 초해상화 모델을 적용 및 평가하였다.  Worldview-3 위성영상을 활용하였으며, 대기 보정이 완료된 BOA(Bottom-Of-Atmosphere) 영상 총 38장을 활용하였다. PAN 영상과 MS 영상에 대해 ECC 기반 영상정합을 수행하고 MTF-GLP pansharpening기법을 적용한 후, MTF-GLP 알고리즘을 적용하여 고해상도 MS 영상을 생성하였으며, Pansharpening이 적용된 고해상도 MS 영상을 기반으로 HR-LR 데이터셋을 구축하였다. 또한, 고해상도 영상을 512x512 크기로 학습 패치를 생성하였으며 패치의 중심좌표는 무작위로 선정하였다. 딥러닝 학습 시 중복 학습을 방지하고 저분산 영역을 제거하기 위한 필터링 조건을 두고 패치를 생성하였으며, 총 14,776장의 패치 데이터셋을 구축하였다. HAT, SwinFIR, ESRGAN 모델 기반 성능평가 결과, PSNR은 HAT, SwinFIR, ESRGAN에서 각각 34.03, 33.64, 30.93으로 나타났으며, SSIM은 0.88, 0.87, 0.80으로 ESRGAN에서 상대적으로 낮게 나타났다. 따라서, HAT모델이 PSNR과 SSIM 지표 모두에서 가장 우수한 성능을 나타내는 유의미한 결과를 확인하였다. 향후 센서의 물리적 특성을 반영한 열화 모델을 적용함으로써, 위성영상 기반 초해상화 기술의 복원 정확도가 향상될 것으로 기대된다.