해양 수체 및 부유 입자의 흡수 및 산란으로 인한 수중 현미경 이미지 색상 정보 왜곡 문제를 해결하기 위해, 본 논문에서는 개선된 순환 일관성 적대 신경망(Cycle-consistent Adversarial Network, CycleGAN) 알고리즘을 제안하여 수중 대상 물체 이미지의 색상 보정을 실현하였다. 원래의 저화질 수중 이미지와 재구성된 수중 이미지 간에 R, G, B 세 채널의 구조 유사도 지수(Structure Similarity Index Measure, SSIM) 손실 함수를 도입하여 두 이미지 간 정보 손실을 측정하고, 이를 통해 R, G, B 세 채널 색상의 정확한 조절을 가능하게 하여 CycleGAN 네트워크의 전체 성능을 향상시킴과 동시에 생성기에서 생성된 이미지의 품질을 높였다. 이후, 수중 다색 자가 제작 표적 및 천연 광물의 현미경 이미지로 구성된 학습 데이터셋을 사용하여 본 논문에서 제안한 개선된 네트워크를 학습시켰으며, 획득한 모델은 실제 광물 샘플 표면의 현미경 이미지 색상 보정에 활용 가능하다. 결과는 제안한 개선된 CycleGAN 알고리즘이 다른 방법들에 비해 색상 보정에서 명확한 우위를 보임을 나타냈다. 전통적인 Retinex 알고리즘과 비교했을 때, 처리된 이미지의 피크 신호 대 잡음비(Peak Signal-to-Noise Ratio, PSNR) 및 구조 유사도 지수는 각각 41.85%, 35.62% 향상되었으며, 주관적 시각적 관점에서 보았을 때 보정된 수중 현미경 이미지가 공기 중 이미지 색상과 가장 유사함을 확인할 수 있다. 결론적으로, 본 논문 방법은 수중 대상 물체 이미지의 색상 보정을 효과적으로 수행하고 수중 현미경 이미지 품질을 향상시킬 수 있어 해양 지질학 및 해양 생물학 분야에서 활용 가능성이 있다.

해저 심층 미생물 관측; 수중 현미경 영상; SSIM 손실 함수; CycleGAN; 색상 보정