멀티미디어 지식공작소

이전 글들에서는 이미지 화질을 평가하는 대표적인 전통적 지표인 PSNR, SSIM, VIF 등에 대해 알아보았습니다. 이 지표들은 공통적으로 픽셀 단위의 통계량에 기반하고 있습니다. 그런데 딥러닝 기반 생성 모델이 등장하면서 이 접근법의 맹점이 드러났습니다. 수치는 좋아도 흐릿해 보이거나, 수치는 낮아도 오히려 자연스러워 보이는 이미지들이 쏟아지기 시작한 것입니다. 이전의 방법들은 계산이 빠르고 수학적으로 명확하다는 장점이 있지만, 치명적인 한계가 하나 있습니다. 바로 '사람의 눈(인간의 지각)'과 완전히 일치하지 않는다는 점입니다. 예를 들어, 픽셀이 단 1~2칸만 옆으로 밀려도 PSNR 수치는 급격하게 하락합니다. 하지만 사람의 눈은 이를 완전히 똑같은 이미지로 인식하죠. 반대로 블러(Blur) 처리..

비디오 코덱이나 화질 개선 알고리즘을 개발하다 보면 반드시 마주하는 과제가 있습니다. 바로 "우리의 새로운 알고리즘이 기존 방식보다 얼마나 더 좋은가?"를 객관적인 수치로 증명하는 일입니다. 단순히 한두 장의 이미지나 특정 비트레이트에서의 화질 비교만으로는 전체적인 성능을 대변할 수 없기 때문입니다. 다시 말하면, 비트레이트 몇 Mbps에서 PSNR이 몇 dB 높다는 식의 단편적인 수치로는 전체 그림을 보기 어렵습니다. 코덱 성능은 특정 비트레이트 한 점이 아니라, 다양한 비트레이트 조건에 걸친 Rate-Distortion(RD) 곡선 전체로 판단해야 하기 때문입니다.이를 해결하기 위해 H.264/AVC 시절부터 VVC, 그리고 최근의 AI 기반 영상 압축(Neural Video Compression) ..

비디오 및 이미지 압축, 복원 알고리즘을 개발하거나 성능을 평가할 때 객관적인 화질 평가 지표는 필수적입니다. 수치화된 지표를 통해 알고리즘의 우수성을 증명해야 하기 때문입니다. 단순히 사람의 눈으로 보는 주관적 평가(MOS)는 상대적으로 많은 시간과 돈을 요구합니다. 이번 글에서는 영상 처리 분야에서 가장 널리 사용되는 대표적인 화질 평가 지표인 PSNR, SSIM, 그리고 인간의 시각 인지 특성을 더욱 정교하게 반영한 VIF의 개념과 특징을 비교해 보겠습니다. 1. PSNR (Peak Signal-to-Noise Ratio)PSNR은 영상 내의 신호(Signal)가 가질 수 있는 최대 전력에 대한 잡음(Noise)의 비율을 나타냅니다. 영상의 손실 압축이나 잡음 제거 필터링 후, 원본 영상과 비교하여..