검색 상세

유니폼 이미지 변환을 위한 CycleGAN 성능 향상 방안

CycleGAN Performance Improvement for Converting Uniform Images,

정중원 (Joongwon Chung, 서강대학교 정보통신대학원)

원문보기

초록/요약moremore
최근 메타버스 개념의 등장은 이미지 컨텐츠에 민감한 MZ 세대의 특징과 맞물려 많은 비즈니스 트랜잭션을 만들어내고 있다. 이에 사용자들은 자신만의 개성을 표현하기 위해 더 많은 캐릭터 디자인을 요구하나, 새로운 디자인을 제작하 것은 많은 시간과 자원을 필요로 한다. 이러한 상황은 축구선수 캐릭터의 경우 특히 문제가 되는데, 한 선수가 입는 유니폼의 종류가 매우 다양하기 때문이다. 이를 위해 CycleGAN을 통해 유니폼 이미지를 새로 생성하고자 하나 기존 연구 방식대로 진행하기에는 데이터 양 측면에서 어려움이 있다. CycleGAN...
최근 메타버스 개념의 등장은 이미지 컨텐츠에 민감한 MZ 세대의 특징과 맞물려 많은 비즈니스 트랜잭션을 만들어내고 있다. 이에 사용자들은 자신만의 개성을 표현하기 위해 더 많은 캐릭터 디자인을 요구하나, 새로운 디자인을 제작하 것은 많은 시간과 자원을 필요로 한다. 이러한 상황은 축구선수 캐릭터의 경우 특히 문제가 되는데, 한 선수가 입는 유니폼의 종류가 매우 다양하기 때문이다. 이를 위해 CycleGAN을 통해 유니폼 이미지를 새로 생성하고자 하나 기존 연구 방식대로 진행하기에는 데이터 양 측면에서 어려움이 있다. CycleGAN은 유의미한 결과를 내기 위해 많은 양의 데이터를 필요로 하는 반면, 축구 유니폼 이미지의 경우 매우 한정적으로 확보 가능하며 데이터 확보를 위해 시간이 많이 지연되면 자칫 시즌 종료가 다가와 해당 데이터의 가치가 크게 하락할 수 있기 때문이다. 본 연구에서는 데이터 최적화를 통해 부족한 데이터를 통해서도 CycleGAN의 결과를 유의미한 수준으로 개선하는 방안을 연구하였다. 수집한 이미지를 3단계에 걸쳐 최적화하여 각 단계 별로 이미지 변환 결과를 분석하였고, 그 결과 최소 2단계 이상을 거쳤을 때 유의미한 변환 결과를 확인하였다. 또한, 각 최적화 작업 및 모델 학습에 소요되는 시간을 측정한 결과 기존 방식 대비 약 10배 가량 성능을 개선되었다는 것을 확인하였다.
초록/요약moremore
Recently, the plenty of business transactions for character design and skin are performed by the recent young generation that is sensitive to visual contents. The users desire much different skins to represent themselves but it requires a huge amount of time and resources to build a new one. It espe...
Recently, the plenty of business transactions for character design and skin are performed by the recent young generation that is sensitive to visual contents. The users desire much different skins to represent themselves but it requires a huge amount of time and resources to build a new one. It especially matters in the case of football player character because several types of uniforms are dressed by a single player. The lack of data volume makes difficulties in applying CycleGAN to this case. That’s because there is the realistic limitation to gather enough amount of the uniform images while CycleGAN requires a large number of datasets. The other problem is that the value of the image is decreasing as the end of the season is coming. This research describes how to improve the performance of CycleGAN with the limited datasets. As the result of optimizing data in 3 steps and comparing the results of image translation respectively, at least second step is required for the expected result. In performance perspective, moreover, the proposed way has about 10 times better than the tradition way.