• 목록

경북대학교 컴퓨터학부 이재협 교수 연구팀, KAIST 공동 연구로 상위 3% SCIE 저널 IEEE TCSVT 2편의 논문 게재 승인

경북대학교 IT대학 컴퓨터학부 이재협 교수 및 KAIST 공동연구팀이 영상처리 및 컴퓨터비전 분야의 저명 국제학술지인 IEEE Transactions on Circuits and Systems for Video Technology (IEEE TCSVT, JCR 상위 3%)에 논문 2편을 게재 승인받았다.

이번에 게재 승인된 연구는 경북대학교 이재협 교수, KAIST 김문철 교수 연구팀과의 공동 연구로 수행되었으며, 원격탐사 영상 이해를 위한 인공지능 기술을 주제로 한다. 특히 합성개구레이더(SAR) 영상의 해석 한계를 극복하기 위해 확산모델 기반 생성 AI와 영상 분석 기술을 결합한 점에서 학술적·기술적 의미가 크다.

첫 번째 논문인 “C-DiffSET: Leveraging Latent Diffusion for SAR-to-EO Image Translation with Confidence-Guided Reliable Object Generation”은 SAR 영상을 사람이 직관적으로 해석하기 쉬운 광학 영상(EO) 형태로 변환하는 기술을 제안했다. SAR 영상은 구름, 야간, 악천후 환경에서도 안정적으로 촬영할 수 있다는 장점이 있지만, 스페클 노이즈와 고유한 영상 구조로 인해 비전문가가 해석하기 어렵다는 한계가 있다.

연구팀은 이러한 문제를 해결하기 위해 대규모 자연영상으로 사전학습된 잠재 확산모델(Latent Diffusion Model)을 SAR-to-EO 변환 문제에 적용하는 C-DiffSET 프레임워크를 개발했다. 또한 SAR 영상과 EO 영상 사이의 시간 차이로 인해 발생하는 객체 출현·소실 문제를 완화하기 위해, 픽셀별 신뢰도를 반영하는 confidence-guided diffusion loss를 제안했다. 이를 통해 기존 방법보다 구조적 정확도와 시각적 품질이 높은 SAR-to-EO 변환 결과를 달성했다.

두 번째 논문인 “DAKD: Data Augmentation and Knowledge Distillation using Diffusion Models for SAR Oil Spill Segmentation”은 해양 기름 유출 탐지를 위한 SAR 영상 분할 기술을 다룬다. SAR 기반 기름 유출 탐지는 해양 환경 모니터링과 재난 대응에 중요한 기술이지만, 실제 기름 유출 데이터와 정밀 라벨이 부족하고 SAR 영상 특유의 노이즈로 인해 높은 정확도의 모델 학습이 어렵다는 문제가 있었다.

연구팀은 이를 해결하기 위해 확산모델을 활용한 데이터 증강 및 지식 증류(DAKD) 파이프라인을 제안했다. 제안된 SAR-JointNet은 현실적인 SAR 영상과 이에 대응하는 분할 라벨을 함께 생성하며, 생성된 soft label을 이용해 학생 모델인 SAROSS-Net을 효과적으로 학습시킨다. 또한 SAROSS-Net은 Context-Aware Feature Transfer 블록을 통해 노이즈가 많은 SAR 영상에서 분할에 필요한 고주파 특징을 선택적으로 전달하도록 설계되었다. 실험 결과, 제안 방법은 기존 SAR 기름 유출 분할 방법들보다 우수한 성능을 보였다.

이번 연구들은 SAR 영상의 시각적 해석, 원격탐사 영상 변환, 해양 재난 모니터링 등 다양한 분야에 활용될 수 있는 기반 기술을 제시했다는 점에서 의미가 크다. 특히 제한된 원격탐사 데이터 환경에서도 확산모델을 활용해 고품질 영상 생성 및 정밀 영상 분석이 가능함을 보였으며, 향후 국방, 재난 대응, 환경 감시, 위성 영상 분석 분야에서 폭넓게 활용될 것으로 기대된다.

두 논문의 프로젝트 페이지는 다음과 같다.

- https://kaist-viclab.github.io/C-DiffSET_site/

- https://kaist-viclab.github.io/DAKTer-site/