이미지 깊이 추정을 통한 색채와 구조 개선 CartoonGAN 기반 딥러닝 모델 (A CartoonGAN-based Deep Learning Model for Improving Color Scheme and Structure Through Image Depth Estimation)

서지정보

· 발행기관 : 사단법인 한국융합기술연구학회
· 수록지 정보 : 아시아태평양융합연구교류논문지 / 10권 / 8호 / 23 ~ 32페이지
· 저자명 : 오주연, 김보민, 이해원, 조수빈, 최민성, 배성근

초록

급속도로 발전하고 있는 생성형 인공지능 기술 중 하나인 CartoonGAN은 실제 사진을 만화 스타일의 이미지로 변환하는 기능으로 최근 이미지 처리 및 스타일 전이 분야에서 많은 주목을 받고 있다. 그러나 CartoonGAN은 원본 이미지의 색채와 구조를 충분히 보존하지 못하고, Style Transfer 과정에서 이미지의 깊이감이 왜곡되는 문제를 가지고 있었다. 이러한 문제점을 해결하기 위해 본 연구는 원본 이미지와 변환된 카툰 이미지의 분산을 비교하여 픽셀값의 변화 정도를 측정하고, 이를 기반으로 이미지를 조정하는 새로운 알고리즘을 제안하였다. 제안된 알고리즘의 효과를 검증하기 위해 다양한 실험을 수행하였다. 실험 결과, 제안된 방법은 기존 CartoonGAN 모델에 비해 PSNR 및 SSIM 값에서 개선된 성능을 보였다. 또한, 이미지 히스토그램 분석을 통해 제안된 방법이 원본 이미지와 더 유사한 확률 분포 값을 보임을 확인하였다. 깊이감 추정을 위해 Depth Estimation 기술을 적용하여 측정한 결과, 제안된 방법이 이미지의 구조와 색채를 보다 잘 보존함을 확인하였다. 이를 통해 제안된 알고리즘이 원본 이미지의 명암과 색채를 보다 잘 반영하고, 깊이감도 더욱 정확하게 표현함을 입증하였다. 이러한 결과는 이미지 생성 및 변환 기술의 향상과 함께 다양한 분야에서의 응용 가능성을 시사하며, 향후 생성형 인공지능 기술의 발전 방향에 중요한 기여를 할 것으로 기대된다.

영어초록

CartoonGAN, one of the rapidly developing generative artificial intelligence technologies, has recently garnered significant attention in the fields of image processing and style transfer for its ability to convert real pictures into cartoon-style images. However, CartoonGAN has shown shortcomings in adequately preserving the color and structure of the original image, and it suffers from image depth distortion during the style conversion process. To address these issues, this study proposes a novel algorithm that measures pixel value changes by comparing the variances between the original image and the converted Cartoon image. Various experiments were conducted to validate the effectiveness of the proposed algorithm. The experimental results demonstrate that the proposed method exhibits improved performance in terms of PSNR and SSIM values compared to the existing CartoonGAN model. Furthermore, histogram analysis of images confirms that the proposed method achieves probability distribution values more closely aligned with those of the original image. Utilizing Depth Estimation technology to assess depth perception, the study confirms that the proposed method better preserves image structure and color fidelity. Consequently, the proposed algorithm effectively enhances the representation of contrast, color fidelity, and depth perception from the original image. These findings suggest promising applications across diverse fields, advancing image generation and conversion technologies, and offering significant contributions to the future development of generative artificial intelligence technology.

참고자료

· 없음