최근 딥러닝을 활용한 Image Inpainting 기술의 발달로 인해 정교한 이미지 복원 작업이 가능해졌으며, 컴퓨터 비전 및 의료 등의 분야에서 다양하게 사용되고 있다. Image Inpainting이란 이미지 내 손상된 영역을 복원하는 기술을 말하며, 해당 영역을 완전한 이미지 형태로 복원 및 대체하는 기술을 의미한다.
본 연구에서는 비정형적인 손상 영역을 복원하는 데 초점을 맞춰 딥러닝 기반 CNN(Convolution Neural Network) 구조의 Image Inpainting 모델을 설계하였다. 비정형적인 손상 영역이란 이미지 내 손상된 영역의 크기 및 모양 그리고 위치가 정형화되지 않은 것을 의미하며, 본 연구에서 설계된 모델은 U-Net 모델과 유사한 구조를 가진다. Dilated Convolution을 사용하여 다양한 형태 및 크기의 이미지 손상 영역을 유연하게 복원하였으며, Self-Attention 메커니즘을 통해 Inpainting 결과의 품질을 향상하였다. 또한, 설계한 모델의 학습은 COCO 2017 이미지 데이터세트를 통해 진행하였다. 학습 이미지 내 손상 영역을 표현하기 위해 10,000개의 무작위 손상 영역 이진 마스크를 생성하여 합성하였고 모델 평가 지표는 최대 신호 잡음 비율을 나타내는 PSNR(Peak Signal to Noise Ratio)과 원본 이미지와 복원된 이미지의 유사도를 판단하는 SSIM(Structural Similarity Index Map)를 사용하여 손상 영역이 적은 평가 그룹과 손상 영역이 적은 평가 그룹으로 나눠 평가를 진행하였다.