확산 모델 기반 이미지 증강 기술 동향
이미지 데이터 증강은 컴퓨터 비전 분야에서 훈련 데이터셋의 다양성과 품질을 높여 머신러닝 모델의 성능과 견고성을 향상시키는 핵심 방법론입니다. 이는 또한 이미지의 맥락과 의미를 고려한 편집 및 수정에도 활용될 수 있습니다. 최근 생성형 인공지능 분야에서 가장 유망한 확산 모델(DMs)은 사실적이고 다양한 이미지를 생성하며 이미지 데이터 증강을 위한 강력한 도구로 부상했습니다. 본 연구는 이미지 증강을 위한 확산 모델 기반 접근 방식을 체계적이고 심층적으로 검토합니다. 먼저 확산 모델의 기본 원리, 모델 아키텍처 및 훈련 전략을 포괄적으로 분석합니다. 이어서 의미론적 조작, 개인화 및 적응, 그리고 특정 애플리케이션 증강 작업에 중점을 둔 관련 이미지 증강 방법론의 분류 체계를 제시합니다. 또한 성능 평가 방법론과 해당 평가 지표를 분석하여 확산 모델 기반 증강 기법의 효과를 객관적으로 측정하는 방법을 다룹니다. 마지막으로 현재 직면한 과제와 향후 연구 방향을 논의하여 이 분야의 발전을 위한 통찰력을 제공합니다.