딥러닝 기반 디헤이징 DehazeNet과 전통 기법의 비교 분석

이 논문은 최근 딥러닝 기반 디헤이징 방법인 DehazeNet을 전통적인 Koschmieder 모델 기반 방법들과 비교 평가한다. 디헤이징은 대기 중 안개가 이미지에 미치는 영향을 제거해 가시성을 높이는 작업이며, 일반적으로 두 가지 접근법으로 나뉜다. 첫 번째는 로컬 히스토그램 평활화와 같은 이미지 강화 기법이며, 두 번째는 Koschmieder 모델 J(x)=I(x)t(x)+A∞(1−t(x))을 역으로 풀어 복원하는 방법이다. 전통적 방법인 Dark Channel Prior(DCP), FAST, CLAHE는 모두 두 번째 범주에 속한다. DehazeNet은 CNN을 이용해 단일 컬러 이미지에서 전송도 t(x)를 직접 추정한다. 학습 데이터는 인터넷에서 수집한 무안개 이미지에 Koschmieder 모델을 적용해 합성한 수천 개의 패치이며, 이를 통해 전송도에 대한 정확한 라벨을 제공한다. 전송도 추정 후에는 사전에 측정된 대기광 A∞ 값을 사용해 원본 이미지를 복원한다. 논문에서는 동일한 A∞를 모든 방법에 적용해 공정한 비교를 수행한다. 실험은 CHIC 데이터베이스를 이용한다. 이 데이터베이스는 두 개의 실내 장면에 대해 무안개 이미지와 9단계의 안개 이미지(레벨 9가 가장 낮은 안개, 레벨 1이 가장 짙음)를 제공한다. 각 장면에는 네 개의 Macbeth 색상 체커가 배치되어 있어 색상 정확도와 거리 정보를 알 수 있다. 계산량 제한으로 전체 이미지를 사용하지 못하고, 깊이와 색상 체커가 포함된 영역을 잘라 입력으로 사용하였다. 전송도 추정 정확도는 색상 체커의 실제 거리와 알려진 산란 계수 β를 이용해 이론적인 t(x)=exp(−βd) 값을 계산하고, DehazeNet과 DCP가 출력한 전송도와 비교했다. 결과는 DehazeNet이 특히 강한 안개(레벨 9)에서 DCP보다 평균 오차가 크게 작아, 전송도 추정에 있어 우수함을 보여준다. 색상 복원 측면에서는 24패치 중 8개를 선택해 rg 색도 다이어그램에 표시하였다. 레벨 9에서는 DehazeNet이 FAST에 이어 두 번째로 원본 색에 가깝게 복원했으며, DCP는 과도하게 색을 강조하는 경향을 보였다. 레벨 5에서는 모든 방법이 원본에 근접했지만, DehazeNet은 FAST와 DCP 사이에 위치했다. 전반적으로 DehazeNet은 색상 정확도에서 상위권을 차지했지만, 과도한 색상 강화는 없었다. 시각적 이미지 분석에서는 Koschmieder 모델 자체의 한계를 확인했다. 레벨 3 이하에서는 색상 체커가 완전히 사라져 복원이 불가능했으며, 이는 모델이 전송도와 대기광만을 고려하기 때문에 발생한다. DehazeNet은 레벨 5 이상에서 가시성을 개선했지만, 모델 한계 때문에 레벨 3 이하에서는 개선 효과가 미미했다. 정량적 평가지표(e, r, F‑ADE, VSI)를 적용한 결과, DehazeNet은 대부분의 경우 낮은 점수를 받아 다른 방법에 비해 열위임을 확인했다. 특히 F‑ADE(낮을수록 좋음)와 VSI(높을수록 좋음)에서 차이가 크게 나타났다. 이는 전송도 추정이 정확하더라도 모델 자체가 실제 안개 현상을 완전히 설명하지 못하기 때문이다. 결론적으로, DehazeNet은 전송도 추정이라는 하위 작업에서는 뛰어난 성능을 보이지만, 전체 디헤이징 파이프라인에서는 Koschmieder 모델의 근본적인 제한에 의해 전통적 방법들과 큰 차이를 보이지 않는다. 향후 연구는 물리 기반 모델을 확장하거나, 딥러닝과 물리 모델을 결합한 하이브리드 접근법을 모색해야 함을 제시한다.