딥러닝 기반 화질 개선 이미지를 활용한 저자원 실내 환경 3차원 재구성: 3D Gaussian Splatting 적용 사례

3D Reconstruction of Low-Resource Indoor Environments Using Deep Learning-Based Image Enhancement: A Case Study of 3D Gaussian Splatting

본 연구에서는 딥러닝 기반 화질 개선이 저자원 실내 환경에서 3D Gaussian Splatting을 활용한 3차원 장면 재구성의 적용 가능성을 향상시킬 수 있는지 분석한다. 3D Gaussian Splatting은 다중 시점의 고해상도 이미지를 이용할 경우 높은 품질의 3차원 재구성을 제공하지만, 개도국을 포함한 많은 실내 모니터링 환경에서는 저가형 CCTV와 IP 카메라가 주로 사용되어 블러, 손실 압축, 해상도 저하 등 다양한 화질 열화가 발생한다. 실제 저화질 영상에서는 같은 장면의 고화질 참조 영상이 존재하지 않는 경우가 많기 때문에, 본 연구에서는 비교 가능성을 확보하기 위해 우선 일반적인 실내 장면을 고정형 카메라와 모바일 기기로 다중 시점 촬영하여 고화질 원본 이미지를 구축하고, 여기에 가우시안 블러, 손실 압축, 크롭을 서로 다른 수준으로 적용하여 동일 장면에 대한 저하 이미지 집합을 의도적으로 생성하였다. 이후 사전 학습된 딥러닝 기반 화질 개선 모델을 이용해 저하 이미지를 복원함으로써, 동일한 장면에 대해 △고화질 원본, △저하, △저하+개선의 세 조건을 구성하고, 각 조건에 대해 3D Gaussian Splatting 파이프라인을 적용하여 3차원 재구성을 시도하였다. 평가는 각 조건에서 재구성이 성공했는지 실패했는지의 여부에만 초점을 두어 성공률을 비교하였다. 이러한 결과는 개도국이나 인프라가 열악한 지역에서도 기존 저해상도 카메라 인프라를 유지한 채, 소프트웨어 기반 화질 개선과 3D Gaussian Splatting을 결합함으로써 실내 3차원 모델링과 안전 모니터링 수준을 향상시킬 수 있는 적정기술적 가능성을 시사한다.

This study investigates whether deep learning–based image enhancement can improve the applicability of 3D Gaussian Splatting for three-dimensional scene reconstruction in low-resource indoor environments. 3D Gaussian Splatting provides high-quality 3D reconstructions when high-resolution, multi-view images are available; however, many indoor monitoring environments, including those in developing countries, mainly rely on low-cost CCTV and IP cameras, which suffer from various forms of image degradation such as blur, lossy compression, and reduced resolution. Because high-quality reference images of the same scene are often unavailable in real low-quality video, we first acquired high quality original images by capturing typical indoor scenes from multiple viewpoints using a fixed camera and a mobile device, and then deliberately generated a set of degraded images of the same scenes by applying Gaussian blur, lossy compression, and cropping at different levels. Using a pre-trained deep learning–based image enhancement model, we restored the degraded images to construct three conditions for each scene: high-quality original, degraded, and degraded plus-enhanced images, and applied the 3D Gaussian Splatting pipeline to attempt 3D reconstruction under each condition. The evaluation focused solely on whether reconstruction succeeded or failed for each condition, and compared the corresponding success rates. The results suggest that, even in developing countries or regions with poor infrastructure, it may be possible to improve indoor 3D modeling and safety monitoring by combining software-based image enhancement with 3D Gaussian Splatting while retaining existing low-resolution camera infrastructure, highlighting the potential of this approach as an appropriate technology.