ㅇ다양한 산업현장에서는 장비의 제약이나 경제적인 이유로 얻을 수 있는 영상의 화질, 크기 등의 제약이 존재하며 이는 제공하는 서비스와 품질의 하락을 유발함. 또한 보안이슈로 외부로 반출이 어렵거나 획득가능한 영상의 수가 적어 인공지능 기술의 도입이 어려운 경우가 많음
ㅇ본 기술은 생성형 인공지능 기반의 초해상도 신경망을 이용하여 다양한 산업현장 영상의 해상도를 향상시키거나 품질저하 없이 영상의 크기를 키울 수 있는 기술임.
ㅇ사용자가 인공지능에 대한 제반지식 및 프로그래밍 기술 없이 손쉽게 영상의 전처리, 신경망 학습, 고해상도 영상획득을 지향함
(※ 본 기술은 단발적인 기술이전이 아닌 구독서비스 등의 라이센싱 형태로 지속적인 업테이트를 진행할 예정이며
업데이트 사항으로는 사용자 맞춤형 전러리 모듈, 신경망의 경량화, 결과 시각화, GUI 형태의 프로그램 구성등이 포함됨. )
ㅇ 산업현장 영상의 고해상도 영상생성 시스템
- 특수영상 등의 학습 데이터 생성을 위한 전처리 모듈
- Diffusion Super Resolution 신경망 학습을 위한 시스템
- 학습된 신경망을 이용한 고해상도 영상 추론/평가/시각화 시스템
(※ 본 기술이전 건은 사전에 협의한 의료·제약 분야의 도메인 지식을 반영하여 개발하였으며 고객요구사항에 맞춰 다양한 분야로 확대예정)
1. 기술의 특징
1.1 Super Resolution 이란?
ㅇ 저해상도(Low Resolution)의 영상을 고해상도(High Resolution)로 변환하는 기술
ㅇ 영상을 확대하는 과정에서 부족한 픽셀의 정보를 AI 기술로 추론함
1.2 Diffusion 모델의 생성형 AI를 이용한 SR 구현
ㅇ기존 GAN 기반의 모델은 데이터 구조와 파라미터에 따라 학습이 어려움
ㅇ물체의 분자운동인 ‘확산’ 현상을 이미지의 가우시안 노이즈로 구현함
ㅇ가우시안 노이즈의 추가(Forward)-제거(Backward)를 통해 고해상도 영상생성
2. 기존(선행)기술 대비 장점
ㅇ Regression Model(Supervised learning)
: 전통적인 CNN/Attention/Transformer을 통해 픽셀간의 정보를 추론
: 해상도의 개선폭이 4배~9배 정도로 작은 편이며 그 이상에서는 이미지가 붕괴
ㅇ GAN 모델(Generative learning)
: 생성자와 판별자의 적대학습을 통해 이미지를 생성하는 방법
: 해상도의 개선폭은 높지만 데이터의 종류와 네트워크에 따라 학습이 어려움
ㅇ Diffusion Model(Generative learning)
: 생성형 AI 기술의 일종으로 해상도의 개선폭이 높음(약 60~80배)
: Pre-trained 모델을 사용할 경우 학습의 안정성도 높은편임
: 기존 기술은 영상생성의 정확도가 떨어지고 추론속도가 늦으며 일반 영상에 한정되어 사용됨
: 제안기술은 정확도와 추론속도를 개선하고 사용자의 편의성을 개선함
ㅇ 산업현장 영상의 고해상도 영상생성 시스템
- 특수영상 등의 학습 데이터 생성을 위한 전처리 모듈
- Diffusion Super Resolution 신경망 학습을 위한 시스템
- 학습된 신경망을 이용한 고해상도 영상 추론/평가/시각화 시스템
(※ 본 기술이전 건은 사전에 협의한 의료·제약 분야의 도메인 지식을 반영하여 개발하였으며 고객요구사항에 맞춰 다양한 분야로 확대예정)
1. 고해상도 영상생성 시스템
● 요구사항정의서 1건
● 시험절차및결과서 1건
● 알고리즘 관련 기술문서 등 총 9건
● 알고리즘 관련 특허 9건
● 영상분석, 전처리 알고리즘, GUI 등 SW 5건
ㅇ 데이터 확보에 있어 여러 제약(예를 들어, 의학적 또는 민감 개인 정보를 포함하는 경우)이 존재하여 다량의 학습 데이터를 수집하기 어려운 분야에서 인공지능 모델을 학습 성능을 개선할 수 있음