디지털 기술의 발전에 따라 여러 방식의 무인 감시카메라가 상용화되었지만 기술상의 한계로 식별에 하자가 있는 디지털 증거들이 많은 것이 현실이다. 이러한 증거에 저해상도 사진의 식별력을 높여주는 초해상도 기술을 적용하면 증거의 가용범위를 확장할 수 있다. 초해상도 기술의 정확도가 일정 수준 이상으로 보장되기 시작한 지 얼마 되지 않은 관계로 해당 기술의 결과물에 증거능력을 인정할 수 있을지 여부에 대한 논의가 전무하다. 이 기술의 결과물은 현장의 정보를 그대로 담고 있는 것은 아닌바, 일반적인 증거능력 요건의 만족만으로 증거능력이 긍정되기는 어려울 것이다. 그러나 초해상도 기계학습 전문가가 작성한 검사기록 보고서라는 진술증거로서 증거능력이 인정될 여지가 있다. 이러한 방식으로 증거능력을 인정받기 위해서는 증거능력의 기본 요건인 적법성과 임의성이 갖추어져야 한다. 그리고 여타 전 문증거와 마찬가지로 진술에 대해 전문법칙의 예외의 요건인 필요성과 신뢰성까지 인정되는 경우 에 한하여 증거능력이 긍정될 수 있다. 전문법칙의 예외의 요건 중 신뢰성까지 전문가와 기술 양자에 대하여 요구될 것이다. 본지에서는 기술에 대한 신뢰성을 갖추기 위한 구체적인 기준을 기술적인 관점에서 제시한다.

표본기반 초해상도(Super Resolution) 기법은 데이터베이스에 저장된 고해상도 영상의 패치와 저해상도 영상 의 패치 사이에 대응관계를 이용하여, 저해상도의 입력영상에 가장 유사한 고해상도 패치를 덧붙여서 고해상도를 구 성하는 방식이다. 이러한 방식은 한 장의 영상만으로 고해상도 영상을 얻을 수 있고, 위의 과정을 반복하여 2배 이상 의 확대된 영상을 얻을 수 있어서 기존의 고전적 초해상도 기법의 문제점을 해결할 수 있다. 표본기반 초해상도 방법 들중 네이버 임베딩(Neighbor Embedding 이하 NE) 기법의 기본 원리는 지역적 선형 임베딩(locally linear embedding) 이라는 매니폴드 학습 방법의 개념과 같다. 그러나, NE의 국부 학습 데이터 집합의 크기가 너무 작아서 빈약한 일반화 능력으로 인하여 알고리즘의 성능을 크게 저하시킨다. 또한, NE는 신뢰할 수 있는 성능을 위해 커다란 크기의 학습 데이타가 요구되어, 메모리 비용뿐만 아니라 연산 부담이 요구된다. 본 논문에서는 이와 같은 문제점을 해결하기 위해서 효율적으로 구축된 딕셔너리(dictionary)를 이용하였고, NE의 국부 학습 데이터 집합의 크기가 너무 작은데에 기인한 빈약한 일반화 능력을 보완하기 위해 각 시험 패치와 딕셔너리들 간의 평균거리 이내에 있는 데이터 들을 국부 학습 데이타들로 이용하였다. 또한, 본 논문에서는 NE의 부족한 일반화 능력을 보완하기 위해 일반화 능력 이 뛰어난 Support Vector Regression(이하 SVR)을 이용하여 훈련하였으며 훈련된 SVR을 이용하여 고해상도의 해당 화소 값을 예측하였다. 실험을 통하여 제안된 기법이 bicubic 보간법 및 NE 기법 등에 비해 정량적인 척도 및 시각적 으로도 향상된 결과를 보여 주었다.