AI 기반 업스케일링 프로그램을 이용한 이미지 화질 평가 비교 분석 연구

초록

최근 디지털 영상 콘텐츠 산업은 고해상도화의 흐름 속에서 빠르게 발전하고 있으며, 영상 해상도 및 화질향상이 핵심 경쟁력으로 부상했다. 이에 저해상도 원본 영상의 한계를 보완하기 위한 업스케일링 기술이필수적으로 요구되고 있으며, 특히 AI 기반 생성형 업스케일링 기술은 단순히 해상도를 확대하는 것을 넘어 원본에서 확인할 수 없었던 세밀한 디테일과 질감을 새롭게 생성해 시각적 품질을 향상시키고 있다. 그러나 기존 업스케일링 연구는 특정 알고리즘에 대한 단편적인 정량 평가가 주를 이루고 있으며, 실제 영상 콘텐츠 제작 현장에서 널리 사용되는 AI 업스케일링 프로그램들의 기술적 구조 차이(예: 보간 구조, 엣지 복원 메커니즘)가 다양한 콘텐츠 유형의 화질 결과에 구체적으로 어떻게 발현되는지에 대한 종합적이고 체계적인 비교분석 연구는 부족한 실정이다. 본 연구는 이러한 선행 연구의 한계를 극복하고, 영상 제작에 활용도가 높은 After Effects, Topaz Video AI, CapCut, Winxvideo AI 4개 프로그램의 기술적 차이에 기반한 종합적인 실증 분석을 목적으로 한다. 연구 방법으로는 알고리즘 평가에 적합한 애니메이션 3종(2D, 실사형 3D, 3D 파티클 시뮬레이션)을 대상으로 4배 해상도 확장(2K → 4K)을 진행 후, PSNR, SSIM, LPIPS의 대표적인 정량적 화질 평가 지표 분석과 전문가 5인의 정성적 평가를 결합해 각 도구의 성능을 심층적으로 비교 분석했다. 또한 해상도 변환 방향에 따른 영상 품질변화 양상을 검증하기 위해 업스케일링과 다운 스케일링 복원 간의 비교 분석을 교차적으로 병행했다. 분석 결과, After Effects는 본 연구에 사용된 모든 유형의 애니메이션 샘플에서 가장 뛰어난 화질 보존 성능을 보이며 원본의 구조적·지각적 일관성을 가장 효과적으로 유지하는 것으로 나타났다. 반면, Topaz Video AI 는 실사형 3D 영상에서는 우수한 성능을 보였지만 2D 애니메이션에서는 원본의 구조적 일관성이 크게 훼손되는 결과를 낳아 , AI 모델의 성능이 학습 데이터 분포(실사 영상 기반) 특성에 따라 콘텐츠 유형별로 민감하게 달라질 수 있음을 보여 주었다. CapCut은 하이브리드 신경망 구조와 대규모 사용자 데이터 기반 학습을 통해 다양한 영상 스타일에서 높은 호환성과 안정성을 확보한 사례로 주목되었다. 본 연구는 객관적 화질 평가 지표와 지각적 품질 평가를 통합 분석함으로써 AI 업스케일링 기술의 실질적 성능을 콘텐츠 유형별로 평가할 수 있는 기준을 마련하고, 영상 제작 목적 및 작업 환경에 적합한 최적의 업스케일링전략을 제시하는 데 학술적, 실무적 의의를 가진다.

키워드