포트홀 탐지를 위한 생성형 AI 기반 데이터셋 구축과 CNN 모델 성능 평가

Ⅰ. 서 론

표 1과 같이 최근 10년간 차량 등록 수는 꾸준한 증가 추세를 보였다. 국토교통부의 통계에 따르면, 2013년 약 1,940만 대였던 차량 등록 수는 2023년 약 2,590만 대로 약 33% 증가했다. 이에 따라 화물차의 차량 등록 수 또한 2013년 약 328만 대에서 2023년 약 372만 대로 약 13% 증가했다[1].

Table 1.

Comparison of the number of vehicles and trucks by year

또한, 최근 겨울철에는 폭설, 폭우, 그리고 이상 고온이 반복적으로 발생하고 있다. 이러한 기후 변화는 도로의 포트홀 발생 빈도를 증가시키는 주요 요인으로 작용하고 있다. 특히, 차량 및 화물차의 수가 증가하면서 도로의 하중이 커지고, 극단적인 기상 조건이 도로 표면의 손상을 가속화시켜 포트홀 발생을 촉진하고 있다. 결과적으로, 이러한 기후 변화와 교통량 증가는 도로 인프라의 내구성에 큰 영향을 미치며, 포트홀로 인한 사고의 급증으로 이어지고 있다.

포트홀(pothole)은 도로 유지보수에서 중요한 문제 중 하나로, 정확한 탐지와 신속한 수리가 필요하다. 그림 1과 같이 국민권익위원회 포트홀 관련 민원 분석에 따르면 2024년 1, 2월부터 포트홀에 대한 온라인 언급이 전년 동기간 대비 약 5.8배 급증하였으며, 2년 2개월(‘22.01~’24.02)간 민원분석시스템에 수집된 ‘포트홀’ 관련 민원은 총 5만 2,262건에 달했다[2]. 포트홀은 차량파손과 교통사고 유발 등의 사회문제를 유발하기 때문에 최근에는 영상 카메라를 이용하여 포트홀을 빠르게 탐지하기 위한 연구가 많이 진행되고 있다[3].

Fig. 1.

Monthly trend of pothole complaints

하지만 현재 진행 중인 포트홀 관련 연구는 실제 포트홀 데이터를 확보하여 진행되고 있다. 그러나 이러한 연구는 시간과 경제적 비용이 많이 소요되는 경향이 있다.

이러한 문제를 해결하기 위한 새로운 접근법으로, 최근 텍스트를 이미지로 변환하는 생성적 적대 신경망(GAN; generative adversarial network) 등 AI(Artificial Intelligence) 기술이 주목받고 있다. AI 기술의 발전은 예술, 광고, 농업환경 등 다양한 산업에서 널리 활용되며, 이미지 생성의 정확성과 현실성을 높이는 데 중점을 두고 있다[4].

따라서 본 논문에서는 생성형 AI를 이용해 생성된 포트홀 이미지를 데이터셋으로 하여 포트홀 탐지 모델을 학습하고, 실제 이미지 데이터셋을 활용한 모델과의 성능을 비교한다. 이 연구의 주요 목적은 실제 포트홀 이미지 대신 생성형 AI로 제작된 이미지들을 사용하여 연구를 진행할 수 있는지의 가능성을 평가한다.

Ⅱ. 생성형 AI 개요 및 학습 모델 분석

2-1 생성형 AI

1) 생성형 AI의 개념과 역사

생성형 AI는 특정 입력을 기반으로, 텍스트, 이미지 또는 음악과 같은 새로운 콘텐츠를 생성할 수 있는 AI 유형을 말한다. 이는 대규모 예제 데이터셋으로 학습된 생성 모델(generative model)을 통해 이루어진다. 생성 모델은 학습한 예제들과 유사한 새로운 예제를 생성할 수 있다[5].

초기 생성형 AI 연구는 1990년대에 시작되었으며, 1998년 필기체 숫자 인식 기술이 도입되면서 합성곱 신경망(CNN; Convolutional Neural Network)이 처음으로 소개되었다. CNN은 이미지 데이터 처리를 위한 효율적인 신경망 구조로 제안되었으며, 이후 생성형 AI 연구의 중요한 기반이 되었다[6].

2000년대 이후 생성형 AI의 새로운 모델이 소개되었는데, 2014년에 발표된 논문에서는 생성적 적대 신경망(GAN) 모델이 제안되었다[7]. GAN은 이미지, 텍스트, 음성 생성 등 다양한 분야에서 활용되며, 특히 이미지 합성 분야에서 두각을 나타내 현재 생성형 AI 연구의 핵심 모델로 자리잡고 있다. 2010년대에는 언어 모델의 발전이 이루어졌으며, 2018년에는 OpenAI에서 발표한 GPT(Generative Pre-trained Transformer) 모델이 등장하였다. GPT는 대규모 텍스트 데이터를 활용해 언어 모델을 사전 학습하는 방식으로 언어 이해 성능을 크게 향상시키고 전이 학습 및 대규모 언어 모델 연구에 중요한 역할을 하였다[8].

2020년대에 들어서면서 DALL-E와 Stable Diffusion과 같은 새로운 이미지 생성 모델들이 등장하여 이미지 생성 분야에 큰 진전을 이루었고, 특히 Stable Diffusion은 오픈소스로 공개되어 생성형 AI 기술의 대중화에 기여하였다.

2) 생성형 AI의 주요 모델

생성형 AI의 주요 모델에는 생성적 적대 신경망(GAN)과 변이형 오토인코더(VAEs; Variational Autoencoders, VAEs)가 있다. GAN는 두 개의 신경망으로 구성되며, ‘생성자(Generator)’는 가짜 데이터를 생성하고 ‘판별자(Discriminator)’는 입력 데이터가 진짜인지 가짜인지 구분하는 역할을 한다. 두 네트워크는 서로의 성능을 높이기 위해 경쟁하면서 점점 더 정교한 데이터 생성을 목표로 한다[9].

GAN의 판별자 손실 함수(Discriminator Loss)는 식(1)과 같이 나타나며, 진짜 데이터를 1로, 가짜 데이터를 0으로 출력하여 판별자가 목표로 하는 바를 표현한다. 판별자는 진짜 데이터에 대해서는 높은 확률을 주고, 가짜 데이터에 대해서는 낮은 확률을 주기 위해 이 손실을 최소화하려고 한다. 또한, GAN의 생성자 손실 함수(Generator Loss)는 판별자가 가짜 데이터를 진짜로 판단하는 확률을 최대화하고자 하며 (2)와 같은 식을 갖는다.

$\[ L_D=\begin{array}{l}-E_{x\sim p_{data}\left(x\right)}\left[\mathrm{l}\mathrm{o}\mathrm{g}D\left(x\right)\right]\hfill \\ -E_{z\sim p_z\left(z\right)}\left[\mathrm{l}\mathrm{o}\mathrm{g}\left(1-D\left(G\left(z\right)\right)\right)\right]\hfill \end{array} \]$

(1)

$\[ L_G=-E_{z\sim p_z\left(z\right)}\left[\mathrm{l}\mathrm{o}\mathrm{g}\left(D\left(G\left(z\right)\right)\right.\right] \]$

(2)

식에서 D(x)는 판별자가 진짜 데이터 x를 진짜로 판단할 확률이며, D(G(z))는 생성자가 생성한 가짜 데이터 G(z)를 판별자가 진짜로 판단할 확률이다. 또한, 진짜 데이터의 분포는 p_data(x)로 나타내고, 잠재 공간에서 샘플링된 노이즈의 분포는 p_z(z)로 나타낸다.

VAEs는 오토인코더의 변형으로 입력 데이터를 잠재 변수로 매핑하는 ‘인코더’와 잠재 변수를 입력으로 받아 원래 데이터의 분포로 재구성하는‘디코더’로 구성되어 있다. GAN는 고해상도 이미지를 생성하는 데에 용이하고, VAEs는 상대적으로 안정적이고, 훈련이 용이하다는 특징을 지닌다[10].

$\[ \begin{array}{c}\mu \left(x\right)=f_{\mu }\left(x\right)\hfill \\ \text{log}{\sigma }^2\left(x\right)=f_{{\sigma }^2}\left(x\right)\hfill \end{array} \]$

(3)

$\[ \widehat{x}=g\left(z\right) \]$

(4)

(3)의 식은 입력 데이터(x)에서 잠재변수(z)의 평균μ(x)과 표준편차σ(x)를 추정하기 위한 신경망을 나타낸 인코더 함수이다. 또한, 디코더 함수(4)는 신경망을 나타내는 g와 입력 데이터의 재구성된 형태인 $$ \widehat{x}$$를 출력하여 표현된다.

3) 생성형 AI의 응용 사례

생성형 AI 기술은 많은 발전을 거듭하였고, 다양한 분야에서 혁신적인 응용 사례가 등장하고 있다. 이 기술은 이미지, 텍스트, 음성 등 다양한 데이터를 생성하고 변환하는데 활용되고 있다.

Table 2.

Applications of generative AI by category

2-2 프롬프트

1) 프롬프트의 개념

프롬프트는 생성형 AI 시스템에서 특정한 이미지, 텍스트 등 특정한 결과를 얻기 위한 작업을 수행하도록 지시하는 입력 문구이다. 특히 이미지 생성 AI 시스템에서 프롬프트는 사용자에게 어떤 이미지를 생성해야 하는지를 명확히 전달하는 역할을 한다. 프롬프트는 시스템에 따라 단순 명령어나 단어일 수 있고, 복잡한 설명이나 특정 조건을 포함할 수도 있다.

2) 프롬프트 최적화

프롬프트의 설계는 생성형 AI 기술의 성능을 극대화하는 데 필수적이다. 프롬프트는 구체적일수록 정확한 이미지를 얻을 수 있고, 단계별로 나누어 작성했을 때 시행착오를 줄이고 원하는 이미지를 얻을 수 있다[11]. 프롬프트는 색감, 스타일 같은 감각적인 요소를 포함한 지각적인 측면과 질감, 조명 등 기술적인 요소를 포함한 기술적인 측면을 개인의 취향에 따라 결합하거나 조합해 원하는 이미지를 얻을 수 있다. 또한, 사람, 공간, 환경 등으로 이야기 구성 요소를 분리하여 설명함으로써 이미지를 효과적으로 구현할 수 있다.

프롬프트 최적화는 그림 2와 같이 사용자가 원하는 결과를 정확하게 생성하도록 프롬프트를 조정하는 과정으로, 일반적으로 반복적인 상호작용을 통해 이루어진다. 특정 모델에 맞는 프롬프트는 원하는 결과와 유사한 이미지를 제공하여 사용자가 원하는 스타일이나 요소를 이해하고 이를 재현할 수 있도록 돕는다.

Fig. 2.

Images generated according to the prompts

프롬프트 최적화는 품질 향상, 시간과 자원 절약, 창의적인 결과 도출 등의 이유로 중요하다. 최적화된 프롬프트를 통해 AI는 보다 정확한 이미지를 생성할 수 있고, 세밀한 조정을 통해 품질과 정밀도를 올릴 수 있다. 또한, 최적화된 프롬프트는 불필요한 반복 작업을 줄이고, 빠른 피드백으로 작업 시간을 줄일 수 있다. 세밀한 프롬프트 조정으로 다양한 스타일과 구성을 시도해 디자인의 가능성을 확장하고, 창의적인 이미지를 생성할 수 있다[12].

2-3 CNN(Convolutional Neural Network)

본 논문에서는 CNN을 기반으로 한 모델을 사용하여 포트홀 이미지에 대한 딥러닝 학습을 진행하였다. CNN이 동작하는 과정 및 구조는 다음과 같다.

1) 동작원리

CNN은 convolution 연산이 포함되어 있는 뉴럴 네트워크를 의미한다.

그림 3과 그림 4와 같이 CNN 구조는 합성곱 레이어 (Convolution Layer)와 풀링 레이어 (Pooling Layer)로 이루어진 을 반복한다. 마지막 풀링 레이어에서 결과 1차원 벡터로 나열그리고 Fully Connected 계층으로 전달된다. 합성곱 계층에서는 합성곱 연산을 수행하며, 이때 가중치들은 필터의 형태로 표현된다. 이러한 연산의 결과는 영상의 형태로 출력되며, 이를 특징 맵이라 한다.

Fig. 3.

Operation process of CNN

Fig. 4.

Example of convolution operation

합성곱 계층을 통해 나온 특징 맵은 크기를 줄이기 위해 풀링 과정을 거친다. 풀링 방법은 그림 5와 같이 크게 3가지가 존재하는데, 영역 내 가장 큰 값을 선택하는 max-pooling, 가장 작은 값을 선택하는 min-pooling 마지막으로 평균값을 사용하는 average-pooling(혹은 mean-pooling)이 있다[13].

Fig. 5.

3 pooling method

본 연구에서는 영역 내의 최댓값을 추출하여 공간 차원을 줄이기 위한 max-pooling을 사용하였다.

Ⅲ. 이미지 생성 AI

본 연구에서는 Midjourney, Playground, Ideogram, Firefly와 같은 다양한 AI 이미지 생성 도구를 사용했다. 이들은 각각 고유한 시각적 스타일과 처리 기능을 가지고 있으며, 동일한 ‘포트홀’이라는 프롬프트를 입력하더라도 각 도구의 특성에 따라 생성되는 이미지가 다르게 나타난다.

3-1 Midjourney

Midjourney는 프롬프트 사용에 익숙하지 않아도 높은 수준의 이미지를 생성할 수 있어 누구나 쉽게 이미지를 생성할 수 있으며 그에 따라 많은 사용자가 존재해 관련 공유 지식도 쉽게 찾을 수 있다. 이 서비스는 채팅 플랫폼 Discord 서버에서 운영되는데, Discord를 처음 접하는 사용자는 가입과 프롬프트 입력법, 자기 서버 구성 등의 사용법을 익혀야 한다는 불편함이 있지만, 프롬프트에 익숙하지 않은 초보자들이 고품질의 이미지를 생성할 수 있다. 또한, Midjourney는 ‘--’와 함께 사용되는 파라미터를 제공하여 이를 이용해 정확한 이미지를 생성해 낼 수 있다. 예시로, ‘--ar 1:1’은 1대1의 화면 비율로 이미지를 생성한다는 뜻이고, ‘--no people’은 사람을 제외하고 이미지를 생성한다는 뜻, ‘--v 5’는 Midjourney의 버전을 전환한다는 뜻이다.

Fig. 6.

Pothole image created by Midjourney

3-2 Playground

Playground는 초보자가 사용하기 쉬운 인터페이스를 제공하고, 다른 이미지 생성형 AI와 비교할 때 무료로 하루에 1,000개의 이미지를 생성할 수 있는 가장 많은 양을 지원한다. 프롬프트 가이던스 조절 기능 등의 여러 기능을 통한 세밀한 조정으로 사용자가 원하는 이미지를 생성할 수 있다. 프롬프트뿐만 아니라 필터 선택을 통해 그림의 스타일 및 다양한 화풍을 선택할 수 있고, 제외 이미지와 이미지 참조 영역을 통해 빼고 싶은 요소를 제외하거나, 영감으로 사용할 이미지를 넣을 수 있다.

Fig. 7.

Pothole image created by Playground

3-3 Ideogram

Ideogram은 프롬프트에 입력하는 텍스트가 자세할수록 실제와 비슷한 이미지를 생성할 수 있다. 생성된 이미지 중 마음에 드는 것을 선택하면, 해당 이미지에 대한 상세한 설명 텍스트를 확인할 수 있으며, 이를 바탕으로 추가적인 세밀한 조정이 가능하다. 원하는 이미지와 유사한 결과를 얻기 위해, 설명 텍스트를 복사하여 수정한 후, 이를 이용해 원하는 이미지를 생성할 수 있다.

Fig. 8.

Pothole image created by Ideogram

3-4 Firefly

Firefly는 그래픽 분야에서 가장 영향력 있는 Adobe에서 개발된 이미지 생성 AI로, Photoshop 등 Adobe가 보유 중인 다양한 그래픽 프로그램들과의 연계를 통해 발전 가능성과 확장성이 기대되는 도구이다. Firefly는 Adobe에서 저작권을 소유한 스톡 이미지를 학습 데이터로 사용하기 때문에, 생성된 이미지에 대한 법적 안정성을 보장한다. 또한 사용자가 이미지를 Adobe 스톡에 업로드하면 이를 학습데이터로 제공하고 보상 체계를 통해 지속적인 데이터 수집과 품질 향상이 가능하도록 설계되었다. 업데이트된 Photoshop v25에서 Firefly의 기능으로 프롬프트를 통해 이미지를 생성할 수 있을 뿐만 아니라, 생성형 채우기 및 생성형 확장 같은 고급 기능도 지원한다.

Fig. 9.

Pothole image created by Firefly

Ⅳ. 포트홀 탐지 실험 분석

본 연구는 실제 포트홀 이미지를 학습하여 얻은 모델과 생성형 AI 기술을 활용하여 생성한 포트홀 이미지를 학습하여 얻은 모델 사이의 성능을 비교하고, 생성형 AI 기술이 실제 데이터를 대체하거나 보충하여 사용할 수 있는지에 대한 여부를 확인한다.

그림 10과 같이 이미지 데이터셋은 두 가지로 나뉘며, 이는 Kaggle로부터 활용한 실제 촬영된 포트홀 이미지와 생성형 AI 도구를 이용하여 얻은 포트홀 이미지이다. 포트홀 이미지에 대한 딥러닝 학습은 CNN을 기반으로 한 모델을 사용하였고, 그림 11과 같이 포트홀 이미지와 포트홀이 존재하지 않는 일반 도로의 이미지를 이용한 이진 분류로 다루었다.

Fig. 10.

Flowchart of learning process

Fig. 11.

Pothole image and normal image

이후 학습을 준비하기 위해 손실 함수를 설정하고 최적화 알고리즘을 설정하는 등의 모델 컴파일 작업을 수행하였다. 모델은 학습 데이터로 학습시키고 검증 데이터로 성능을 평가하였다. 이때 성능 평가에 사용된 이미지는 두 모델 모두 실제 촬영된 이미지를 사용하여, 생성형 AI가 만든 이미지를 활용한 모델에서도 실제 포트홀 이미지에 대한 평가가 이루어질 수 있게 하였다.

4-4 결과 분석

실험 결과, 두 모델로 평가된 손실값과 정확도는 비슷한 양상을 보였고, AI 이미지를 활용하여 학습시킨 모델에서 더 높은 정확도와 더 낮은 손실값이 관찰되었다.

표 3의 결과와 같이 두 모델 사이의 정확도는 0.0408만큼의 차이를 보이며 생성형 AI의 이미지를 사용하여 훈련시킨 모델(AI Image)에서 더 좋은 성능을 보였다. 또한, 0.0635만큼의 손실값 차이를 보이는 결과를 통해서도 실제 이미지를 이용한 모델(Real Image)에서보다 AI Image를 활용한 모델에서 더 정확하게 이미지를 예측하고 있음을 확인할 수 있다.

Table 3.

The accuracy and loss of the two models

이러한 결과는 생성형 AI 기술이 실제 데이터를 대체하거나 보충하여 사용할 수 있는 점에 대한 가능성을 제시하며, 포트홀 탐지 모델에 있어 효과적인 대안으로서 역할을 할 수 있음을 시사한다.

Fig. 12.

The accuracy of the two models

Fig. 13.

The loss of the two models

Ⅴ. 결 론

본 연구는 실제 포트홀 이미지를 데이터셋으로 사용하여 학습된 모델과 생성형 AI 이미지를 데이터셋으로 활용하여 학습된 모델 간의 성능을 비교하여 생성형 AI의 데이터 대체 가능성을 탐구하였다.

Midjourney, Playground, Ideogram, Firefly와 같은 다양한 생성형 AI 도구를 사용하여 포트홀 이미지를 생성하고, 이러한 생성형 AI 이미지를 활용한 학습 모델의 성능을 평가하였다. 실험 결과, 생성형 AI로 생성한 이미지 데이터는 포트홀 탐지 모델에서 높은 정확도와 낮은 손실값을 기록하였다. 이는 생성형 AI 기술이 실제 데이터의 대체나 보충 역할을 충분히 수행해 낼 수 있음을 시사한다.

생성형 AI를 활용한 이미지 생성은 데이터 수집 및 전처리에 소요되는 시간과 비용을 줄이는 데 기여할 수 있다. 실제 포트홀 이미지를 수집하고 라벨링하는 데 드는 자원과 비용을 고려할 때, 생성형 AI 도구를 활용하는 것은 효율적이며 경제적인 대안으로 평가될 수 있다. 특히, 다양한 생성형 AI 도구들이 제공하는 프롬프트 최적화와 데이터 증강 기능을 통해, 다양한 상황에서의 포트홀 이미지를 생성하고 모델을 학습시키는 것이 가능하다.

본 연구는 생성형 AI가 포트홀 탐지 모델의 학습에 효과적이라는 것에 기반을 마련하였지만, 향후 연구에서는 생성형 AI로 생성된 데이터의 품질과 신뢰성을 더욱 정밀하게 평가할 필요가 있다. 또한, 생성형 AI의 최신 기술 발전과 다양한 도구의 특성을 활용하여 포트홀 탐지 외에도 다양한 분야에서의 응용 가능성을 탐색할 수 있을 것이다.

결론적으로, 생성형 AI 기술은 포트홀 탐지와 같은 분야에서 실질적인 데이터 대체 및 보충 역할을 수행할 수 있으며, 데이터 수집과 모델 학습의 효율성을 향상시키는 데 중요한 기여를 할 수 있다. 이를 통해 도로 유지보수의 효율성을 높이고, 사회적인 안전과 경제적 비용 절감에 기여할 수 있을 것을 기대된다.

Acknowledgments

이 논문은 2024년도 정부(산업통상자원부)의 재원으로 한국산업기술진흥원의 지원을 받아 수행된 연구임(P0024164, 2024년 지역혁신클러스터육성).

References

• Ministry of Land, Infrastructure and Transport. Current Status of Vehicle Registration [Internet]. Available: https://www.index.go.kr/unity/potal/main/EachDtlPageDetail.do?idx_cd=1257, .
• ACRC (Anti-Corruption & Civil Rights Commission). Analysis of Civil Complaints Related to Potholes (Road Digs) to Ensure Public Safety [Internet]. Available: https://acrc.go.kr/board.es?mid=a10402010000&bid=4A&act=view&list_no=69385, .
• Y.-T. Jo and S.-K. Ryu, “Pothole Detection Algorithm Based on Saliency Map for Improving Detection Performance,” The Journal of the Korea Institute of Intelligent Transport Systems, Vol. 15, No. 4, pp. 104-114, August 2016. [https://doi.org/10.12815/kits.2016.15.4.104]
• S. Yoon, Y. Lee, E. Jung, and T. I. Ahn, “Agricultural Applicability of AI Based Image Generation,” Journal of Bio-Environment Control, Vol. 33, No. 2, pp. 120-128, April 2024. [https://doi.org/10.12791/KSBEC.2024.33.2.120]
• J. V. Pavlik, “Collaborating with ChatGPT: Considering the Implications of Generative Artificial Intelligence for Journalism and Media Education,” Journalism & Mass Communication Educator, Vol. 78, No. 1, pp. 84-93, March 2023. [https://doi.org/10.1177/10776958221149577]
• Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-Based Learning Applied to Document Recognition,” Proceedings of the IEEE, Vol. 86, No. 11, pp. 2278-2324, November 1998. [https://doi.org/10.1109/5.726791]
• I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, ... and Y. Bengio, “Generative Adversarial Nets,” in Proceedings of the 27th International Conference on Neural Information Processing Systems (NIPS ’14), Montreal, Canada, pp. 2672-2680, December 2014. [https://doi.org/10.48550/arXiv.1406.2661]
• OpenAI. Improving Language Understanding by Generative Pre-Training [Internet]. Available: https://www.openai.com/research/language-unsupervised/, .
• J. Oh and J.-W. Cha, “Genetic Algorithm for Text Generation in GAN Framework,” in Proceedings of Korea Computer Congress 2019 (KCC 2019), Jeju, pp. 563-565, June 2019.
• D. P. Kingma and M. Welling, “Auto-Encoding Variational Bayes,” in Proceedings of the 2nd International Conference on Learning Representations (ICLR 2014), Banff, Canada, April 2014. [https://doi.org/10.48550/arXiv.1312.6114]
• Y. Hao, Z. Chi, L. Dong, and F. Wei, “Optimizing Prompts for Text-to-Image Generation,” in Proceedings of the 37th International Conference on Neural Information Processing Systems (NIPS ’23), New Orleans: LA, pp. 66923-66939, December 2022. [https://doi.org/10.48550/arXiv.2212.09611]
• D.-H. Kwon, “Analysis of Prompt Elements and Use Cases in Image-Generating AI: Focusing on Midjourney, Stable Diffusion, Firefly, DALL·E,” Journal of Digital Contents Society, Vol. 25, No. 2, pp. 341-354, February 2024. [https://doi.org/10.9728/dcs.2024.25.2.341]
• T. Hwang, A Design of Virtual Exposure Fusion CNN to enable Contrast Enhancement of HDR Images, Master’s Thesis, Seokyeong University, Seoul, February 2020.
• D. P. Kingma and J. Ba, “Adam: A Method for Stochastic Optimization,” in Proceedings of 3rd International Conference on Learning Representations (ICLR 2015), San Diego: CA, May 2015. [https://doi.org/10.48550/arXiv.1412.6980]
• M. Reyad, A. M. Sarhan, and M. Arafa, “A Modified Adam Algorithm for Deep Neural Network Optimization,” Neural Computing and Applications, Vol. 35, No. 23, pp. 17095-17112, August 2023. [https://doi.org/10.1007/s00521-023-08568-z]
• A. U. Ruby, P. Theerthagiri, I. J. Jacob, and Y. Vamsidhar, “Binary Cross Entropy with Deep Learning Technique for Image Classification,” International Journal of Advanced Trends in Computer Science and Engineering, Vol. 9, No. 4, pp. 5393-5397, July-August 2020. [https://doi.org/10.30534/ijatcse/2020/175942020]