Image Visibility Enhancement under Bad Weather with Intensified Generative Module for Train Set

Image-to-Image translation은 이미지를 입력으로 받아 새로운 이미지로 변환하는 기술이다. 그중 딥러닝을 이용한 이미지 변환 학습은 과적합 현상을 방지하기 위해 많은 학습 데이터가 필요하므로, 본 연구에서는 우천 상황 등 악천후 영상의 개선 학습을 위해 CycleGAN(Cycle-Consistent Aversarial Network) 모델과 CNN(Convolutional Neural Network) 모델을 통해 가상의 물방울 이미지를 생성 및 선별하여 학습 데이터를 효율적으로 확보하는 방법과 이를 활용한 시인성 개선 방법을 제안한다. 선별한 이미지를 기존 학습 데이터 셋에 추가하여 증식된 데이터 셋으로 학습하면 기존 학습에 비해 향상된 물방울 제거 능력을 확인할 수 있다. 또한 톤 매핑이 적용된 타겟 이미지로 모듈을 추가적으로 학습하여 2단계의 개선 모듈을 적용하였고, 결과적으로 물방울 제거뿐만 아니라 디테일 손실 및 명암비를 개선하는 방법을 제안한다.