딥러닝 기반 수중 영상 향상 방법은 시각적 효과에서 뛰어난 성능을 보이지만, 기존의 엔드투엔드 네트워크는 수중 장면에서 흔히 발생하는 색상 왜곡과 텍스처 흐림 현상을 정교하게 고려한 네트워크 구조 설계가 부족하다. 네트워크 성능 향상을 위해 텍스처 인지 결합 색상 히스토그램 특징을 갖는 수중 영상 향상 네트워크를 제안하였다. 이 네트워크는 텍스처 인지 네트워크, 색상 히스토그램 특징 추출 네트워크, 그리고 색상 텍스처 융합 수중 영상 향상 네트워크로 구성된다. 텍스처 인지 네트워크 구성에는 변형 트랜스포머 모듈이 도입되었으며, 해당 모듈은 공간 인지 변형 합성곱을 활용하여 트랜스포머 모듈의 멀티헤드 어텐션 메커니즘을 설계하여 변형 합성곱의 기하학적 인지 능력과 트랜스포머 모듈의 전역 의미 포착 능력을 효과적으로 결합하여 텍스처 특징을 추출한다. 색상 히스토그램 특징 추출 네트워크는 히스토그램에 풍부한 색상 정보가 포함되어 있다고 보고, 실제 수중 영상의 히스토그램을 이용해 네트워크가 색상 특징을 추출하도록 감독한다. 마지막으로 제안된 색상 텍스처 융합 모듈을 이용해 앞선 두 네트워크에서 추출한 텍스처 및 색상 특징을 융합하고, 이후의 색상 텍스처 융합 수중 영상 향상 네트워크에 주입하여 수중 영상 향상을 수행한다. 이 과정은 텍스처 구조를 효과적으로 보존하고 왜곡된 색상을 보정할 뿐만 아니라 텍스처와 색상 정보의 일관성을 유지한다. 실험 결과 본 알고리즘은 기존 수중 영상 향상 알고리즘에 비해 더 우수한 시각적 향상 효과를 보였으며, 수중 영상 품질 측정 지표(UIQM)가 10% 향상되고 단일 이미지 처리 시간이 9% 단축된 0.051초로, 공학 실무에서 수중 시각 향상 작업 요구를 충족한다.

영상 향상;멀티헤드 어텐션 메커니즘;텍스처 인지;합성곱 신경망;딥러닝