SAR（合成開口レーダー）画像と光学画像のピクセルレベルでの登録は、異なるイメージングメカニズムと視覚特性のために難しい課題です。既存の深層学習は多くのクロスモーダルタスクで成功を収めていますが、SAR-光学登録においては満足のいく性能を発揮していません。この問題に対処するために、SOMAというフレームワークが提案されています。SOMAは構造的勾配プライオリを深層特徴に統合し、ハイブリッド照合戦略を通じて整合性を高めます。特に、特徴勾配強化器（FGE）を導入し、マルチスケールの勾配フィルタを使用して特徴の明瞭さを向上させます。さらに、グローバル・ローカルアフィンフローマッチャー（GLAM）を使用して、粗から細へのアーキテクチャ内でアフィン変換とフローに基づく精緻化を組み合わせ、構造的整合性と局所的精度を確保します。実験結果は、SOMAが登録精度を大幅に向上させ、様々なシーンや解像度でも強力なロバスト性を示すことを確認しています。