earticle

영어

Video surveillance systems must process multi-channel real-time streams in various outdoor environments, where image quality often deteriorates under low-visibility conditions such as fog or haze. While AI-based video restoration techniques have shown promise in recovering high-quality images, their high computational demands make it difficult to apply them uniformly across all channels in real-time systems. This paper proposes a Selective Control Architecture that enables channel-wise activation of AI restoration functions. The system was implemented in an on-device environment using a CPU with integrated GPU, and its performance was evaluated by measuring GPU usage and frame rate under varying numbers of active restoration channels. The experimental results demonstrate that GPU load and processing speed significantly change depending on the number of channels using AI restoration, and that the proposed architecture effectively optimizes resource usage while maintaining system stability. This study provides a practical system-level solution for integrating AI-based restoration into surveillance platforms, and future work will focus on model compression and parallel processing to enhance real-time performance and scalability.

한국어

영상 감시 시스템은 다양한 실외 환경에서 실시간으로 수집되는 다채널 영상을 처리해야 하며, 저시정 환 경에서는 영상 품질이 급격히 저하되는 문제가 발생한다. 이를 해결하기 위한 인공지능(AI) 기반 영상 복원 기술 은 고품질 영상 복원을 가능하게 하지만, 높은 연산 자원 요구로 인해 모든 채널에 일괄 적용하기에는 실시간성 확보가 어렵다. 본 논문에서는 복원 기능을 채널별로 선택적으로 적용할 수 있는 선택적 제어 구조(Selective Control Architecture)를 제안하고, 온 디바이스 환경에서 구현된 시스템의 자원 효율성과 실시간 처리 성능을 실 험적으로 분석하였다. 실험 결과, 복원 기능의 적용 채널 수에 따라 GPU 사용률과 영상 출력 속도가 크게 달라지 는 것을 확인하였으며, 선택적 제어 구조가 자원 최적화와 시스템 안정성 확보에 효과적임을 입증하였다. 본 연구 는 AI 영상 복원 기술의 실시간 시스템 통합에 있어 유연하고 실용적인 구조 설계 방안을 제시하며, 향후 모델 경량화 및 병렬 처리 구조 확장을 통한 시스템 고도화를 계획하고 있다.