1) 문제 정의
AI 입력
.png&blockId=d1ff78cb-cc4f-4e6f-9ca4-f0b37d603242)
이상적인 AI 출력 (x4)
기존의 Super Resolution 모델은 영어 텍스트를 포함한 이미지에서는 비교적 높은 정확도로 업스케일링을 수행하지만, 한글 텍스트가 포함된 이미지에서는 문자가 많이 깨지는 경향이 있습니다.
2) 평가 기준
저해상도 이미지를 고해상도로 복원하여 원본 이미지의 디테일과 선명도를 최대한 유지하는 것이 목표입니다.
복원된 고해상도 이미지가 원본 이미지와 얼마나 유사한지를 측정하는 지표로 PSNR, SSIM 을 활용합니다
•
PSNR, SSIM 점수를 바탕으로 평가합니다. PSNR, SSIM 에 대한 추가 정보는 아래 링크 참조
3) 평가 방법
항목 | 심사 기준 | 점수 |
1. 성능 | 최종 테스트 셋에 대한 PSNR, SSIM 점수 | 40점 |
2. 방법론 | 고해상도 변환 모델 학습 전략 | 40점 |
3. 실험 | 성능 향상을 위한 실험 내용 | 10점 |
4. 완성도 | 전체적인 PPT 자료 구성의 짜임새 | 10점 |
총 | - | 100점 |
•
최종 테스트 셋은 결과 제출일 마지막 날 공개되고, 최종 테스트 셋 기준 측정 된 PSNR, SSIM 기준 성능 항목에 대한 점수 부여합니다.
4) 외부 데이터 및 사전 학습 모델
•
외부 데이터 및 사전 학습 모델 제한 없이 활용 가능합니다.
•
생성 데이터가 부족할 경우 Stable Diffusion 등 공개된 생성 모델을 제한 없이 활용 가능합니다.
•
대회 종료 후 공개 가능한 실제 고해상도 이미지 데이터를 생성 데이터와 함께 활용하는 것도 가능합니다.
•
단, 제공한 데이터 외 추가 활용 시 사용한 이유는 명확해야 합니다.
5) 코드 및 데이터 셋
•
예시 학습 데이터는 아래 링크를 통해 다운로드 받을 수 있습니다.
•
Super Resolution 예시 코드는 아래 Github 링크를 통해 다운로드 받을 수 있습니다.
•
모의 성능 평가는 아래 테스트 코드를 통해 할 수 있습니다.
python evaluate.py —pred ./ESRGAN/ —gt ./HR/
Python
복사
6) 학습 GPU
•
학습 및 테스트 관련 장비 제한 없습니다.
•
만약 사용 가능한 GPU가 없는 경우 온라인 무료 GPU Colab 활용하시면 됩니다.
7) 제출 규칙 및 방법
1.
팀 별 최종 작업한 학습 및 테스트 코드 모두 정리한 뒤 제출합니다. 다른 GPU 환경에서 동일한 정확도가 재현 될 수 있어야 합니다.
2.
최종 테스트 코드는 저해상도 이미지를 입력받아, 고해상도 이미지와 같은 해상도의 이미지로 제출합니다.
3.
코드는 다른 팀과 다르게 작성해야 합니다. 코드 검토 과정에서 다른 팀 간 같은 코드를 활용했다고 보여질 경우 심사 기준에서 제외됩니다.