Earticle

초록

영어

This study evaluates semantic segmentation models for identifying oil painting damage using a custom dataset of 1,000 images with six synthetic damage types. We compared U-Net, DeepLabV3, HRNet-UNet, and Swin-Unet under identical experimental conditions. HRNet-UNet achieved the highest mean IoU (0.8369), excelling at fine linear damage and boundary preservation due to its high-resolution architecture. DeepLabV3 performed best on broad tonal variations like discoloration, highlighting the value of multi-scale contextual aggregation, whereas U-Net and Swin-Unet underperformed in mixed-damage scenarios. These results emphasize that effective damage analysis requires aligning the model's architecture with specific damage morphologies rather than relying solely on average metrics. Ultimately, this work provides a foundational comparative framework for future research and practical field applications using real-world painting data.

한국어

본 연구는 유화 작품 손상 유형별 의미론적 분할 모델의 구조적 적합성을 비교하기 위하여, 유화 이미지 1,000점에 6가지 합성 손상을 적용한 데이터셋을 구축하였다. U-Net, DeepLabV3, HRNet-UNet, Swin-Unet을 동일한 비교 환경에서 학습 및 평가한 결과, HRNet-UNet이 손상 평균 mIoU 0.8369로 가장 우수한 성능을 보여 고해상도 표현 유지 구조가 미세 선형 손상과 경계 보존에 유리한 경향을 보였다. 반면 DeepLabV3는 변색 및 황변과 같은 넓은 색조 변화 손상에서 가장 높은 성능을 나타내어 다중 스케일 문맥 통합 구조의 강점을 시사하였다. U-Net과 Swin-Unet은 복합 손상 조건에서 상대적으로 낮은 성능을 나타냈다. 이러한 결과는 유화 손상 분석에서 단순 평균 성능보다 손상의 형태학적 특성과 모델 구조 간의 상호작용을 함께 고려할 필요가 있음을 보여 주며, 본 연구는 향후 실제 회화 손상 데이터 기반 연구와 현장 적용을 위한 기초 비교 틀을 제시한다.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 관련 연구
2.1 회화 손상 기록과 디지털 분석의 전개
2.2 의미론적 분할 모델의 발전과 구조적 특성
2.3 문화유산 손상 자동 탐지 및 분할 연구
2.4 선행연구의 한계와 본 연구의 위치
Ⅲ. 연구 방법
3.1 연구 설계
3.2 손상 유형 체계
3.3 데이터셋 구축
3.4 비교 모델
3.5 공통 실험 설정
3.6 평가지표
Ⅳ. 연구 결과
4.1 정량적 비교 결과
4.2 손상 유형별 성능 비교
4.3 Precision과 Recall 관점의 예측 경향
4.4 정성적 결과 분석
Ⅴ. 논의 및 결론
REFERENCES

키워드

문화재 회화 유화 손상 분석 의미론적 분할 딥러닝 손상 유형별 성능 비교 합성 데이터셋 Cultural heritage paintings Oil painting damage analysis Semantic segmentation Deep learning Performance comparison by damage type Synthetic dataset

저자

• 박세훈 [ Se-Hoon Park | 인제대학교 AI융합로봇학과 학생 ]
• 김경이 [ Kyoung-Yee Kim | 인제대학교 AI소프트웨어학과 교수 ] Corresponding Author

참고문헌

발행기관

간행물