수중 영상 향상·복원을 위한 최신 방법 종합 리뷰

초록

본 논문은 수중 이미지의 색 왜곡·흐림·대조 저하 등 주요 저하 원인을 물속 이미지 형성 모델(IFM) 관점에서 정리하고, IFM 기반·비기반 복원·향상 기법을 비교 실험을 통해 평가한다. 실험 결과를 바탕으로 현 방법들의 한계와 향후 연구 방향을 제시한다.

상세 분석

수중 영상은 물의 흡수와 산란에 의해 파장별 감쇠와 전역 흐림이 동시에 발생한다. 논문은 이를 정량화한 이미지 형성 모델(IFM)을 먼저 소개하고, IFM을 명시적으로 활용하는 방법(IFM‑based)과 모델을 전혀 가정하지 않는 방법(IFM‑free)으로 크게 구분한다. IFM‑based 접근은 물의 전송 함수(t(λ))와 백색광 조명(L₀) 등을 추정해 복원 과정을 수식화한다. 여기서 핵심은 ‘우선 지식(prior)’을 이용해 파라미터를 추정하는 단계이며, 대표적으로 다중 스펙트럼 전송 추정, 색 균형을 위한 색 온도 모델, 그리고 딥러닝 기반 사전 학습 네트워크가 있다. 반면 IFM‑free 방법은 직접적인 색 보정, 대비 향상, 히스토그램 매칭, 혹은 GAN·CNN 기반 엔드‑투‑엔드 변환을 통해 이미지 품질을 개선한다. 두 접근 모두 최근 딥러닝 기술을 도입해 성능을 크게 끌어올렸지만, 근본적인 물리 모델을 무시하면 특정 파장 손실이 과도하게 보정되거나, 모델 기반 방법은 파라미터 추정 오류에 민감해 실제 현장 환경에서 불안정한 결과를 초래한다.

실험 부분에서는 20여 개의 공개 수중 데이터셋(실제 해저, 수족관, 인공 조명 등)을 대상으로 주관적 MOS 평가와 객관적 UIQM, UCIQE, CIEDE2000 등 5가지 메트릭을 동시에 적용하였다. 결과는 IFM‑based 방법이 색 정확도(CIEDE2000)에서는 우수하지만, 대비·세부 디테일(UIQM)에서는 IFM‑free 딥러닝 모델이 더 높은 점수를 기록했다는 점을 보여준다. 특히 파라미터 추정 단계에서 사용되는 ‘다중 스펙트럼 전송 사전’이 부정확하면 색 복원 오류가 급격히 증가한다. 반면, GAN 기반 IFM‑free 방법은 학습 데이터의 도메인 편향에 따라 특정 환경에서는 과도한 색 과잉 보정이 발생한다.

논문은 이러한 실험 결과를 토대로 현 방법들의 주요 한계를 네 가지로 정리한다. 첫째, 물리 모델 파라미터 추정의 불확실성; 둘째, 딥러닝 모델의 데이터 편향과 일반화 문제; 셋째, 실시간 처리 요구에 대한 계산 복잡도; 넷째, 평가 메트릭이 인간 시각 인지와 완전히 일치하지 않는 점이다. 마지막으로, 향후 연구는 (1) 물리‑학습 하이브리드 프레임워크, (2) 적응형 파라미터 추정 via 메타‑러닝, (3) 경량화된 실시간 네트워크, (4) 인간 시각 기반 멀티‑모달 평가 체계 구축을 제안한다. 이러한 제언은 수중 로봇, 해양 조사, 수중 AR/VR 등 실제 응용 분야에서 보다 신뢰성 있는 영상 복원을 가능하게 할 것으로 기대된다.