수중 이미지 색 왜곡 개선을 위한 확산 기반 AquaDiff 프레임워크

초록

AquaDiff는 색 왜곡을 보정하고 구조적·지각적 품질을 유지하기 위해 색상 사전 기반 보정과 조건부 확산 모델을 결합한 수중 이미지 향상 시스템이다. 교차‑어텐션을 이용해 손상된 입력과 노이즈 상태를 단계별로 융합하고, 잔차‑밀집 블록과 다중 해상도 어텐션을 갖춘 디노이징 백본으로 전역 색 맥락과 국부 디테일을 동시에 학습한다. 또한 픽셀, 퍼셉추얼, 구조, 주파수 도메인을 동시에 제어하는 교차‑도메인 일관성 손실을 도입해 색 재현과 텍스처 보존을 강화한다. 다양한 수중 데이터셋에서 기존 전통·CNN·GAN·확산 기반 방법들을 능가하는 색 보정 성능과 경쟁력 있는 전반적 품질을 보여준다.

상세 분석

AquaDiff는 수중 이미지의 색 왜곡과 저대비 문제를 해결하기 위해 두 가지 핵심 아이디어를 결합한다. 첫 번째는 “색상 사전‑가이드 색 보정”이다. 저자들은 물속에서 파장‑의존적인 흡수·산란 현상을 고려해, 입력 이미지에서 파란‑녹색 채널이 과다하게 강조되는 현상을 사전에 보정하는 전처리 맵 y를 생성한다. 이 맵은 물리‑기반 전파 모델에서 추정된 감쇠 계수와 깊이 추정치를 활용해 색상 왜곡을 역보정한다. 두 번째는 조건부 확산 과정이다. 전통적인 DDPM 구조에 기반을 두면서, 각 디노이징 단계 t에서 노이즈가 섞인 잠재 이미지 x_t와 색 보정 맵 y를 교차‑어텐션(⊗Cross‑Att)으로 결합한다. 교차‑어텐션은 x_t의 구조적 정보와 y의 색상 힌트를 동적으로 가중치 조정해, 고노이즈 단계에서는 전역 색 맥락을, 저노이즈 단계에서는 미세 디테일을 강조한다.

디노이징 백본은 Residual Dense Block(RDB)과 Skip Connection을 기본으로, Multi‑Resolution Attention(MRA) 모듈을 삽입해 다중 스케일 특징을 동시에 포착한다. RDB는 풍부한 피처 재사용을 통해 색상 변동에 대한 강인성을 제공하고, MRA는 고해상도 영역에서 텍스처와 가장자리를 보존한다. 이러한 설계는 기존 U‑Net 기반 확산 모델이 겪는 과‑스무딩과 색상 흐림을 완화한다.

손실 함수 측면에서 AquaDiff는 “교차‑도메인 일관성 손실”을 제안한다. 이는 네 가지 서브‑손실을 가중합한 형태로, (1) L1 픽셀 손실은 절대적인 색 차이를 최소화하고, (2) VGG 기반 퍼셉추얼 손실은 시각적 유사성을 유지하며, (3) 구조적 유사도(SSIM) 손실은 에지와 대비를 보존하고, (4) 주파수 도메인 손실은 푸리에 변환 후 고주파 성분을 정규화해 텍스처 손실을 방지한다. 특히 주파수 손실은 확산 모델이 흔히 발생시키는 블러링을 억제하는 데 효과적이다.

학습 및 평가에서는 TEST‑U90, U45, S16, C60 등 네 개의 공개 수중 데이터셋을 사용했으며, 각각 색 왜곡 정도와 탁도 수준이 다르다. 정량 지표로는 UIQM, UCIQE, PSNR, SSIM을 보고했으며, AquaDiff는 색 왜곡을 측정하는 UIQM·UCIQE에서 기존 최첨단 방법들을 평균 3~5% 이상 상회했다. 정성 평가에서도 색 재현이 자연스럽고, 구조적 디테일이 유지된 결과를 보여준다. 또한, 샘플링 단계 수를 100→50으로 감소시킨 가속 버전을 제시해 실시간 적용 가능성을 탐색했다.

한계점으로는 여전히 높은 연산 비용과 메모리 요구가 존재한다는 점, 그리고 색 보정 사전이 물리‑기반 파라미터 추정에 의존하므로 극단적 탁도나 조명 변동이 큰 환경에서는 사전 추정 오류가 전체 성능에 영향을 줄 수 있다는 점을 언급한다. 향후 연구에서는 경량화된 어텐션 구조와 사전‑자체 학습형 색 보정 모듈을 결합해 보다 일반화된 솔루션을 제시할 여지가 있다.