노후 구조물의 동적 특성 평가를 위해 대표적인 접촉식 센서인 LVDT와 가속도계를 활용한다. 전통 적인 센서의 데이터 신뢰성은 높지만, 작동 원리로 인하여 대상 구조물의 물리적 접근과 센서의 설치 가 필요하다. 조밀한 센서 설치를 위해선 많은 수의 센서와 데이터 수집장치도 추가적으로 필요하다. 이런 단점을 보완하고자 비접촉식 센서의 개발이 활발히 진행 중이며, 특히 비전센서를 활용한 동적 변위 측정에 관한 연구 및 개발에 많은 진척이 있다. 비전센서를 활용한 동적 변위 측정 시스템은 내 적 파라미터 및 외적 환경조건에 따라 측정 정확도가 크게 변화한다. 주된 내적 파라미터로 영상장비 의 공간분해능은 이미지 센서의 물리적 크리와 촬영거리의 증가 혹은 관심영역이 작아짐에 따라 영향 을 많이 받는다. 외적 환경조건으로 저조도 환경에서 타겟의 밝기차이가 줄어들어 이미지 프로세싱 과 정에서 불리한 조건이며, 이는 동적 변위 측정 정확도 저하로 이어진다. 본 연구에서 저조도 환경에서 비전센서의 운용거리 한계를 초해상화를 적용하여 극복하고자 하며, 인공적 및 자연적 타겟에 대한 동 적 변위 측정 성능을 비교 분석하였다. 동적 변위 측정 실내 실험을 위해 저조도 조건에서 3층 전단 구조물을 9Hz로 가진하였다. 동시에 Sony사의 DSC-100M7 카메라를 활용하여 조화진동으로 인해 발생되는 각층의 변위를 FHD화질 120FPS로 촬영하였고 측정 정확도 비교 분석을 각층의 LVDT 측 정값으로 진행하였다. 촬영거리를 10m를 기준으로 10m씩 증가하면서 최대 40m까지 변위 값을 측정 하였으며, 공간분해능 증가를 위해 GAN기반 초해상화 모델인 RealSR을 적용시켰다. 초해상화를 활용 하여 동적변위를 측정한 결과 저조도 환경에서도 비전센서의 운용 거리가 증가함을 확인할 수 있었으 며, 동시에 변위 측정 정확도도 함께 상승하는 것을 보여줬다.

In this study, using deep learning, super-resolution images of transmission electron microscope (TEM) images were generated for nanomaterial analysis. 1169 paired images with 256  256 pixels (high resolution: HR) from TEM measurements and 32  32 pixels (low resolution: LR) produced using the python module openCV were trained with deep learning models. The TEM images were related to DyVO4 nanomaterials synthesized by hydrothermal methods. Mean-absolute-error (MAE), peak-signal-to-noise-ratio (PSNR), and structural similarity (SSIM) were used as metrics to evaluate the performance of the models. First, a super-resolution image (SR) was obtained using the traditional interpolation method used in computer vision. In the SR image at low magnification, the shape of the nanomaterial improved. However, the SR images at medium and high magnification failed to show the characteristics of the lattice of the nanomaterials. Second, to obtain a SR image, the deep learning model includes a residual network which reduces the loss of spatial information in the convolutional process of obtaining a feature map. In the process of optimizing the deep learning model, it was confirmed that the performance of the model improved as the number of data increased. In addition, by optimizing the deep learning model using the loss function, including MAE and SSIM at the same time, improved results of the nanomaterial lattice in SR images were achieved at medium and high magnifications. The final proposed deep learning model used four residual blocks to obtain the characteristic map of the low-resolution image, and the super-resolution image was completed using Upsampling2D and the residual block three times.

본 연구에서는 게임 동영상의 고화질 변환이 가능한 초해상화 알고리즘을 제시한다. 본 알고리즘은 오픈 소 스 형태의 GPU에서 제공하는 MMU에서 구현될 수 있도록 희소 행렬 연산을 이용해서 설게된다. 이를 위해 서 일반적인 영상 해상도 향상 방법인 이중 일차 및 이중 삼차 보간 법과 심층 학습에 기반한 초해상화 모 델에서 사용하는 컨볼루션 연산을 희소 행렬 연산으로 변환하는 방법을 제시한다. 이는 각 픽셀에 적용되는 필터를 행렬 곱 형태로 표현하고, 이 행렬을 희소 행렬로 표현함으로써 수행되는데, 이러한 과정을 통해서 연산의 효율성을 추구함으로써 안정적인 초해상화 알고리즘을 제공한다. 이러한 희소행렬 연산 형태로 표현 되는 초해상화 알고리즘은 기존의 라이브러리를 이용해서 구현된 초해상화 알고리즘과 유사한 PSNR과 FPS 를 보인다.

초해상도 기법은 영상 획득장치의 물리적인 한계를 극복하기 위해 저해상도 영상으로부터 고해상도 영상을 생성하는 기술이다. 초해상도 기법들 중 TV 기반 초해상도 기법은 에지보존과 artifact가 없다는 점에서 성공적인 방법으로 평가되어 왔다. 본 논문에서는 저해상도 번호판 영상의 해상도 개선을 위해 새로운 TV 분해 기반 초해상도 기법을 제안하였다. 제안된 방법에서 번호판 영상은 TV 분해에 의해 영상의 주된 객체들에 해당하는 구조적 성분과 텍스쳐 성분으로 분해된다. 여기서, 영상의 주된 객체들과 같은 기하학적인 정보를 포함하는 구조적 성분은 번호판 영상의 번호판 글자와 유사하다. 따라서, 번호판 글자와 같은 구조적 성분의 해상도를 개선하기 위해 NNE 기반 SVR 방법을 제안하였다. 또한, 후처리 과정으로서 윤곽선을 효과적으로 보존하고, 잡음을 제거하기 위해 TV 디노이징 필터를 이용하였다. 실험을 통하여 본 논문에서 제안된 방법이 기존의 바이큐빅 보간법, ScSR, NNE 및 SRCNN 기법들에 비해 양호한 영상 및 PSNR, SSIM 척도 관점에서 향상된 좋은 결과들을 보였다.

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.

실감방송을 위한 차세대 디지털 텔레비전 시대에는 초고화질 영상 디스플레이 장치와 3차원 영상이 널리 보급될 전망이다. 본 논문에서는 실감방송시대의 두 축인 초고화질 영상 디스플레이 장치와 3차원 영상 시대를 대비하는 관점에서 스테레오스코픽 3차원 영상을 활용한 초고해상도 영상 생성 방안을 제안한다. 2차원 입력영상에서 확대된 2차원 영상을 얻는 기존 접근 방식을 확장하여, 3차원 영상 융합에 바탕을 둔 초고해상도 영상을 생성한다. 먼저 입력된 영상의 국부 특성을 분석하고, 평탄 영역과 비평탄 영역에 따른 적응적 영상 해상도 개선을 수행한다. 효율적 연산을 위해 평탄 영역에서는 전통적 해상도 개선 방법을 적용하고, 비평탄 영역에서는 자기 유사성을 활용한 탐색을 기반으로 3차원 영상에 담긴 부가 정보를 효과적으로 검색하고 융합하여 해상도 개선에 활용한다. 실험 결과를 통해 3차원 영상에 내재된 부가 정보의 활용이 초고해상도 영상 복원 성능을 개선함을 보인다.

TDOA 기법은 위치추정 기법의 하나로 간단한 구조와 높은 정확도를 가지는 장점으로 인해 실내측위, 재머 위치추적, 인명구조 등에 자주 사용된다. 본 논문에서는 MPM(Matrix Pencil Method)를 이용한 고분해능 TDOA 추정 기법을 제안한다. 제안된 기법은 기존의 교차상관을 이용한 TDOA 기법에 비교하여 높은 정확도를 가지며 협대역 신호에 적용이 가능하다. 또한 잘 알려진 고분해능 기법 중 하나인 MUSIC(Multiple Signal Classification)에서 공분산 행렬을 사용하는 것과 달리 수집된 데이터를 바로 행렬로 만들어 사용하므로 복잡성이 낮은 특징이 있다. 제안된 기법의 성능을 검증하기 위해 소프트웨어 시뮬레이션 통해 추정 오차와 연산량 측면에서 MUSIC 기법과 비교하였다.