잡음·오차 마스크 기반 영상 복원 및 향상 딥러닝

Deep Learning for Image Restoration and Enhancement using Noise/Error Masking

연구 내용

가이드 기반 잡음 심각도 추정, 레퍼런스 활용 초해상화, 혼합·오차 마스크 적응 필터링으로 영상 복원 성능과 효율을 함께 확보하는 연구

김창수 연구실은 잡음과 손상 영역을 정확히 모델링하기 위한 영상 복원 딥러닝 기법을 중심으로 연구를 수행합니다. 잡음-심각도 정보를 가이던스 특징으로 추출해 적응적으로 필터링하는 경량 구조를 적용하며, 레퍼런스 이미지를 점진적으로 활용해 디테일과 아이덴티티를 함께 보존하는 초해상화 방법을 설계합니다. 또한 연속 오차 마스크로 필터를 공간적으로 변화시키는 동적 필터링과, 입력 복원 품질을 높이기 위한 향상용 아키텍처를 결합해 복원 정확도와 연산 효율의 균형을 확보합니다.

관련 프로젝트

4건

연구 흐름

초기에는 Noise Order Learning을 기반으로 잡음 정도를 가이던스 네트워크에서 추정하고, 이를 반영해 경량 복원 네트워크가 효율적으로 필터링하도록 구성하는 흐름으로 연구를 전개했습니다. 이후 레퍼런스 정렬과 점진적 보정 개념을 확장해 얼굴 초해상화에서 아이덴티티 보존과 디테일 복원을 동시에 다루는 방향으로 발전했습니다. 2024년에는 결손 영역을 복원하는 inpainting에서 구조적 신뢰도를 높이기 위한 혼합 네트워크로 확장했고, 2025년에는 연속 오차 마스크 기반 동적 필터링과 LUT 기반 향상 모듈을 통해 처리 안정성과 품질을 강화하는 연구를 수행했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

경량 영상 복원 전처리
잡음 심각도 추정 기반 개선 파이프라인
실시간 얼굴 초해상화 모듈
아이덴티티 보존 보정 기술
손상/결손 영역 inpainting 자동화
오차 마스크 기반 적응형 복원
Lookup table 기반 영상 향상
정밀 복원용 네트워크 경량화
복원 성능-연산비 트레이드오프 최적화
영상 품질 개선용 데이터셋 확장