CycleGAN과 CBAM 결합을 통한 낮-밤 이미지 변환 성능 개선 = Improving Day-to-Night Image Translation Performance with CycleGAN and CBAM Integration

국문 초록 (Abstract)

자율 주행 차량이 다양한 가시성 조건에서도 안정적으로 작동하기 위해서 낮 시간에 수집된 이미지뿐만 아니라 야간 이미지와 같은 데이터도 필수적이다. 그러나 밤 데이터는 수집이 낮 데이터에 비해 어렵기 때문에 이를 보완하는 이미지 변환 기술이 필요하다. 본 연구에서는 CycleGAN 과 CBAM 을 결합하여 낮 이미지를 밤 이미지로 변환하는 과정에서 성능을 개선하는 방법을 제안한다. Reduction 비율을 조정하고 LP 및 LSE Pooling 방식을 추가해서 모델의 성능과 계산 효율성을 모두 향상시켰다. 실험 결과 Reduction 8 + LSE 조합이 기존 모델에 비해 성능이 개선됨을 확인하였으며 자율 주행과 같은 응용 분야에서 대량의 합성 데이터를 신속하게 생성할 수 있어 비용 절감 측면에서도 이점을 제공한다.

다국어 초록 (Multilingual Abstract)

In the realm of autonomous driving, ensuring reliable vehicle operation across varying visibility conditions necessitates the use of diverse image datasets, including both daytime and nighttime images. However, acquiring nighttime data poses significant challenges compared to daytime data collection. To address this, our study introduces an enhanced image transformation technique that combines CycleGAN with Convolutional Block Attention Module (CBAM) to convert daytime images into nighttime images effectively. By adjusting the reduction ratio and incorporating Lp-norm Pooling (LP) and Log-Sum-Exp (LSE) pooling methods, we achieve improvements in both model performance and computational efficiency. Experimental results demonstrate that the combination of Reduction 8 with LSE pooling outperforms existing models, facilitating the rapid generation of synthetic data beneficial for applications like autonomous driving. This approach not only enhances model accuracy but also offers cost-saving advantages by reducing the need for extensive real-world nighttime data collection.