학부 연구 과정에서 발표한 논문들을 연구 주제별로 정리한 결과물입니다.

[Abstract]
본 논문은 다양한 머신러닝 알고리즘을 적용하여 건강 보험료 예측의 정확성을 향상시키는 것을 목표로 하여 데이터 상관관계 분석을 통해 주요 특성들을 합성하였고, 새로운 변수를 생성하고 하이퍼파라미터를 최적화하는 Optuna를 활용함으로써 보다 정교하고 신뢰할 수 있는 예측 결과를 도출하였다. 수행 결과 합성 데이터를 추가한 Random Forest 모델에서 최고의 성능을 나타냈으며, 향후 연구에서는 보다 다양한 변수와 데이터세트를 포함하여 예측 모델의 성능을 추가적으로 개선할 수 있는 가능성을 제시한다.

[Abstract]
본 연구는 손상된 흑백 이미지를 복원하고 색상화하는 방안을 제안한다. 이미지 복원은 Stable Diffusion을 활용하였으며, 손상된 부분을 마스크 기반으로 복원하였다. 색상화는 GAN을 활용하여 진행하였다. 프롬프트 엔지니어링의 중요성과 복원 단계 품질이 색상화 성능에 미치는 영향을 연구하였으며, 복원-색상화 단계의 상호 의존성을 확인하였다. 본 연구는 손상된 흑백 이미지의 복원과 색상화를 통해 디지털 보존 및 인공지능 기반 이미지 처리 기술의 새로운 가능성을 제시한다.

---	---

[Abstract]
본 연구는 Virtual Try-On(VTON) 시스템에서 입력 데이터 전처리 방식이 합성 이미지 품질에 미치는 영향을 분석하는 것을 목적으로 한다. 이를 위해 기존의 마스크 기반 특징 추출(Otsu, PSPNet, GrabCut, DeepLabV3+)과 Salient Region 기반 기법을 비교하여 ACGPN 모델에 적용하였다. DeepFashion 데이터셋을 활용해 정성적·정량적 평가를 수행한 결과, 일부 상황에서는 Salient Region이 품질 개선에 기여하였으나, 전반적으로는 과도한 특징 추출이 오히려 성능 저하를 유발할 수 있음을 확인하였다. 본 연구는 입력 특징 추출 전략이 단순 적용을 넘어 데이터의 구조적 복잡성을 고려해야 함을 보여주며, 향후 다양한 의류 특성에 따라 동적으로 최적화된 전처리 기법의 필요성을 제시한다.