중간 주기에서 장주기 사이의 지구 크기 행성에 대한 관측 불완전성에 착안하여, 우리는 낮은 신호 대 잡음비 (low-SNR) 트랜싯 블라인드 탐색 (transit blind searches)을 위한 컴팩트한 어텐션 증강 (attention-augmented) 딥러닝 프레임워크인 TransitNet을 제시합니다. 블라인드 탐색 조건 하에서 현실적인 방법론 개발과 객관적인 임계값 보정 (threshold calibration)을 가능하게 하기 위해, 우리는 통합된 데이터셋 구축, 벤치마킹 및 임계값 선택 프레임워크를 개발했습니다. 학습에 사용되지 않은 Kepler 타겟들로 구성된 회복 벤치마크에서, TransitNet은 6에서 8 사이의 까다로운 SNR 범위에서 95.2%의 정확도를 달성하였으며, TLS 및 BLS를 모두 능가하여 각각 0.974와 0.982의 ROC-AUC 및 PR-AP 값을 기록했습니다. 지구 크기 및 지구보다 작은 크기의 트랜싯을 주입한 회복 실험에서, TransitNet은 93.0%의 회복률을 달성하여 TLS (63.1%)와 BLS (60.0%)를 크게 상회했습니다. 탐지 외에도, TransitNet은 어텐션 (attention) 기반의 트랜싯 윈도우 (transit windows) 및 중심점 (midpoints) 추정치를 제공합니다. 독립적인 평가 세트에서, 주입된 트랜싯의 97.4%가 추정된 트랜싯 윈도우에 의해 완전히 커버되었습니다. 실제 Kepler 관측 데이터에 적용했을 때, 이 모델은 선택된 34개의 확인된 Kepler 행성 모두를 성공적으로 회복하였으며, 평균 절대 트랜싯 중심점 오차는 1.24시간이었습니다. 이 모델은 약 1.5 MB의 컴팩트한 점유 공간과 높은 추론 효율성을 결합하여, CPU-TLS 대비 약 1225배, CPU-BLS 대비 약 45배의 속도 향상을 제공합니다. 이러한 결과는 TransitNet이 테스트된 영역 내에서 낮은 SNR의 트랜싯 블라인드 탐색을 위한 정확하고 확장 가능하며 계산 효율적인 프레임워크를 제공함을 입증하며, 더 긴 주기의 지구 크기 행성 탐색으로의 확장을 촉진합니다.