실감모형 제작을 위한 고해상도 유물 이미지 매팅 = High Resolution Photo Matting for Construction of Photo-realistic Model

다국어 초록 (Multilingual Abstract)

Recently, there are various studies underway on the deep learning-used image matting methods. Even in the field of photogrammetry, a process of extracting information about relics from images photographed is essential to produce a high-quality realistic model. Such a process requires a great deal of time and manpower, so chroma-key has been used for extraction so far. This method is low in accuracy of sub-classification, however, it is difficult to apply the existing method to high-quality realistic models.
Thus, this study attempted to remove background information from high-resolution relic images by using prior background information and trained learning data and evaluate both qualitative and quantitative results of the relic images extracted. As a result, this proposed method with FBA(manual trimap) showed quantitatively better results, and even in the qualitative evaluation, it was high in accuracy of classification around relics. Accordingly, this study confirmed the applicability of the proposed method in the indoor relic photography since it showed high accuracy and fast processing speed by acquiring prior background information when classifying high-resolution relic images.

국문 초록 (Abstract)

최근 딥러닝을 이용한 이미지 매팅 방법에 관한 다양한 연구가 진행되고 있다. 특히, 사진측량 분야에서도 고품질 의 실감모형을 제작하기 위해서는 촬영된 이미지에서 유물 정보를 추출하는 과정이 필요하며, 이와 같은 과정은 많 은 시간과 인력이 들어 기존에는 크로마키를 이용하여 추출하는 방법이 많이 활용되고 있다. 그러나, 기존의 방법 은 세부 분류에 대한 정확도가 떨어져 고품질 실감모형에 적용하기에는 어려움이 있었다. 본 연구에서는 사전배경 정보와 훈련된 학습데이터를 이용하여 고해상도 유물 이미지에서 배경정보를 제거하고 추출된 유물 이미지에 대하 여 정성적, 정량적 결과를 평가하였다. 그 결과 제안된 방법과 FBA(매뉴얼 트라이맵)이 정량적으로 높은 결과를 나 타냈으며, 정성적 평가에서도 유물 주변부의 분류도가 높은 정확도를 보였다. 따라서 제안된 방법은 고해상도 유물 이미지 분류에 있어 사전배경정보 취득을 통하여 높은 정확도와 빠른 처리 속도를 나타냈으며, 실내 유물 촬영에서 그 활용 가능성을 확인하였다.

참고문헌 (Reference)

1 Gastal, E.S., "Shared sampling for real‐time alpha matting" 29 (29): 575-584, 2010

2 Sun, Y., "Semantic image matting" 11120-11129, 2021

3 Lin, S., "Real-time high-resolution background matting" 8762-8771, 2021

4 Ni, J., "Random region matting for the high-resolution PolSAR image semantic segmentation" 14 : 3040-3051, 2021

5 Sun, J., "Poisson matting" 315-321, 2004

6 He, K., "Mask r-cnn" 2961-2969, 2017

7 Zhu, B, "Fast deep matting for portrait animation on mobile phone" 297-305, 2017

8 Forte, M., "F, B Alpha Matting"

9 Chen, L. C., "Encoder-decoder with atrous separable convolution for semantic image segmentation" 801-818, 2018

10 Xu, N., "Deep image matting" 2970-2979, 2017

11 Shen, X, "Deep automatic portrait matting" 92-107, 2016

12 Liu, J., "Boosting semantic human matting with coarse annotations" 8563-8572, 2020

13 Sengupta, S., "Background matting:The world is your green screen" 2291-2300, 2020

14 Qiao, Y., "Attention-guided hierarchical structure aggregation for image matting" 13676-13685, 2020

15 Rhemann, C, "A perceptually motivated online benchmark for image matting" 1826-1833, 2009

16 Levin, A., "A closed-form solution to natural image matting" 30 (30): 228-242, 2007

17 Chuang, Y. Y., "A bayesian approach to digital matting" 2 : 2001