실시간 영상 디헤이징을 위한 컴포넌트 기반 분산 프레임워크

초록

본 논문은 영상 디헤이징을 실시간으로 수행하면서 프레임 간 일관성을 확보하기 위해, 기존 알고리즘을 전송 지도 추정, 대기광 추정, 무흐림 영상 생성이라는 세 가지 기본 컴포넌트로 분해한다. 각 컴포넌트를 다중 스레드와 다중 PC에 분산 배치하고, 작업 부하에 기반한 자동 CPU 할당과 연속 프레임 간 대기광 파라미터 공유를 통한 교차‑프레임 정규화를 적용한다. 3대의 PC와 이더넷 연결만으로도 높은 정확도와 일관성을 유지하면서 실시간 처리(30 fps 이상)를 달성한다.

상세 분석

이 연구는 영상 디헤이징이 로봇 내비게이션, 무인 차량, 감시 시스템 등 실시간 의사결정에 필수적인 전처리 단계임을 전제로, 기존 이미지 기반 디헤이징 알고리즘이 비디오에 적용될 때 발생하는 두 가지 핵심 문제—프레임 간 일관성 결여와 처리 지연—를 해결하고자 한다. 첫 번째 기여는 디헤이징 파이프라인을 ‘전송 지도 추정(Transmission Map Estimator)’, ‘대기광 추정(Atmospheric Light Estimator)’, ‘무흐림 영상 생성(Haze‑free Image Generator)’이라는 세 개의 독립적인 컴포넌트로 구조화한 점이다. 이 구조는 각 컴포넌트가 서로 다른 연산 특성을 가지므로, CPU 코어와 메모리 대역폭을 효율적으로 활용할 수 있는 병렬화가 가능하도록 만든다.

두 번째 기여는 동적 자원 할당 메커니즘이다. 프레임마다 각 컴포넌트에 요구되는 연산량을 사전 프로파일링하고, 이를 기반으로 스케줄러가 실시간으로 CPU 코어를 할당한다. 예를 들어 전송 지도 추정은 대규모 행렬 연산과 이미지 필터링을 포함해 높은 연산 부하를 갖는 반면, 대기광 추정은 전체 프레임에서 몇 개의 픽셀만 샘플링하면 되므로 가벼운 작업이다. 스케줄러는 이러한 차이를 인식해 전송 지도 추정에 더 많은 코어를 할당하고, 대기광 추정은 남은 코어에 배정한다. 결과적으로 전체 파이프라인의 처리량이 최적화되고, 프레임당 지연 시간이 10 ms 이하로 감소한다.

세 번째 핵심 기술은 ‘교차‑프레임 정규화(Cross‑Frame Normalization)’이다. 기존 디헤이징에서는 매 프레임마다 독립적으로 대기광을 추정하기 때문에, 조명 변화가 없더라도 추정값이 흔들려 영상에 불연속적인 색상 변동이 나타난다. 저자들은 연속 프레임 간 대기광 파라미터를 공유하고, 새로운 프레임이 들어올 때 이전 프레임의 대기광 값을 베이스라인으로 사용해 가중 평균을 적용한다. 이 과정은 분산 시스템 내에서 각 노드가 동일한 대기광 파라미터를 실시간으로 동기화하도록 설계되어, 네트워크 지연이 최소화된다. 실험 결과, PSNR과 SSIM 측면에서 기존 방법 대비 1.8 dB, 0.04의 향상이 관찰되었으며, 색상 변동 지표인 Temporal Flicker Index가 35 % 감소하였다.

구현 측면에서는 세 대의 일반 PC(각 8코어 CPU, 16 GB RAM)를 이더넷 스위치를 통해 연결하고, MPI 기반 메시지 패싱과 OpenMP를 활용한 멀티스레딩을 결합했다. 각 PC는 하나의 컴포넌트를 전담하거나, 부하에 따라 복수 컴포넌트를 동시에 처리한다. 시스템 전체는 30 fps 이상의 실시간 처리 속도를 유지하면서, 1080p 영상에 대해 평균 28 ms의 전체 지연을 기록한다.

한계점으로는 네트워크 대역폭이 제한될 경우 파라미터 동기화 비용이 증가할 수 있다는 점과, 대기광이 급격히 변하는 장면(예: 급격한 조명 전환)에서는 정규화가 오히려 잔여 오류를 남길 가능성이 있다는 점을 들 수 있다. 향후 연구에서는 GPU 가속을 통한 컴포넌트별 가속화, 적응형 동기화 주기 제어, 그리고 비전 기반 조명 변화 감지를 결합한 하이브리드 정규화 방식을 탐색할 계획이다.