Stable Diffusion을 활용한 철근 및 배근 영상의 암맹 초해상화 성능 향상 방안
A Stable Diffusion-Based Approach for Enhancing Blind Super-Resolution Performance of Rebar and Reinforcement Images
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 건설 현장에서 촬영되는 철근 및 배근 영상은 낮은 해상도, 촬영 흔들림에 따른 블러나 압축 손실과 같은 다양한 열화 요인뿐만아니라, 촬영 환경에서 발생하는 무작위 잡음까지 포함하는 경우가 많다. 이러한 요인들은 영상의 구조적 정보 손실을 유발하여, 이를 기반으로 한 인공지능 분석의 정확도와 신뢰성을 저하시킨다. 특히 건설 현장의 특성상 고품질 참조 영상을 충분히 확보하기 어려워, 초해상화 알고리즘 학습에 필요한 훈련 데이터가 부족하다는 문제가 존재한다. 이러한 한계를 해결하기 위하여 본 연구에서는 Stable Diffusion X4 모델을 활용하여 저해상도 영상으로부터 선명하고 고품질의 합성 영상을 생성하고, 이를 철근 및 배근 영상과 함께 학습 데이터로 사용하는 새로운 암맹초해상화 기법을 제안하였다. 제안된 방법은 저해상도 영상과 합성된 고해상도 영상을 동시에 입력으로 사용하여 초해상화 알고리즘을 개발하는 것이다. 본 방법을 최신 초해상화 신경망 모델 3건에 적용하여 실험을 수행한 결과, 합성 영상 없이 실제 저해상도–고해상도 쌍만을 이용한 기존 학습 방식 대비 평균 0.45 dB의 해상도 지표 향상과 0.85%의 구조 유사성 지표 향상을 달성하였으며, 철근 및 배근의 형태와 세부 구조를 보다 정밀하게 복원하는 성능을 확인하였다. 본 연구는 영상 품질이 저하된 건설 현장 환경에서도 합성 데이터를 효과적으로 활용하여 초해상화 성능을 개선할 수 있음을 입증하였으며, 향후 철근 및 배근 상태 분석의 신뢰성 강화와 영상 기반 구조물 관리 자동화 기술의 고도화에 기여할 수 있을 것으로 기대된다.
Abstract
In recent construction sites, images of rebar and reinforcement often suffer from various degradation factors, such as low resolution, motion blur, and compression loss, as well as random noise introduced by the surrounding environment. These factors lead to the loss of structural information in the images, thereby reducing the accuracy and reliability of artificial intelligence-based analysis. In particular, due to the nature of construction sites, it is difficult to secure sufficient high-quality reference images, resulting in a lack of training data necessary for super-resolution algorithm development. To address this limitation, this study proposes a novel blind super-resolution method that utilizes the Stable Diffusion X4 model to generate sharp, high-quality synthetic images from low-resolution images, which are then used together with real rebar images as training data. The proposed method develops a super-resolution algorithm by simultaneously using low-resolution images and synthesized high-resolution images as inputs. Experiments were conducted by applying the method to three state-of-the-art super-resolution neural network models. As a result, experiments conducted by applying the proposed method to three state-of-the-art super-resolution neural network models demonstrated that, compared to the conventional training approach using only real low- and high-resolution image pairs without synthetic data, the proposed strategy achieved an average improvement of 0.45 dB in resolution metrics and 0.85% in structural similarity metrics, while more accurately restoring the shapes and fine structural details of rebar and reinforcement. This study demonstrates that even in construction site environments where image quality is degraded, synthetic data can be effectively utilized to improve super-resolution performance. Furthermore, it is expected to contribute to enhancing the reliability of rebar condition analysis and advancing automation technologies for image-based structural management in the future.