유화 작품 손상 분석을 위한 의미론적 분할 모델의 비교 연구 : 손상 유형별 성능 분석을 중심으로 = A Comparative Study of Semantic Segmentation Models for Oil Painting Damage Analysis : Focusing on Damage-Type-Specific Performance

국문 초록 (Abstract)

본 연구는 유화 작품 손상 유형별 의미론적 분할 모델의 구조적 적합성을 비교하기 위하여, 유화 이미지1,000점에 6가지 합성 손상을 적용한 데이터셋을 구축하였다. U-Net, DeepLabV3, HRNet-UNet, Swin-Unet을동일한 비교 환경에서 학습 및 평가한 결과, HRNet-UNet이 손상 평균 mIoU 0.8369로 가장 우수한 성능을 보여고해상도 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 보여주며, 본 연구는 향후 실제 회화 손상 데이터 기반 연구와 현장 적용을 위한 기초 비교 틀을 제시한다.

다국어 초록 (Multilingual Abstract)

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.