iPhoneBlur: 소비자 기기 모션 블러 제거 성능 평가를 위한 난이도 기반 벤치마크

iPhoneBlur: A Difficulty-Stratified Benchmark for Consumer Device Motion Deblurring

소비자 모바일 기기에서의 모션 블러 복원 성능은 일반적으로 전체적인 지표를 사용하여 평가되지만, 이는 블러의 난이도에 따른 성능 변화를 가리고, 실제 사용 환경에서의 모델 동작을 숨길 수 있습니다. 본 연구에서는 iPhone 17 Pro의 고속 촬영 영상을 활용하여 다양한 실제 환경에서 촬영된 7,400 쌍의 이미지로 구성된 난이도 기반 벤치마크인 iPhoneBlur를 소개합니다. PSNR 기반의 적응적 시간 윈도우 분할을 통해 샘플을 Easy, Medium, Hard 세 가지 난이도 그룹으로 나누었으며, 광학 흐름 크기가 각 그룹 간에 2.2배 증가하는 경향을 보여 이러한 분류의 타당성을 검증했습니다. 각 샘플에는 ISP(Image Signal Processor)를 고려한 복원 전략 및 난이도 적응 복원 전략 연구를 위한 포괄적인 메타데이터가 포함되어 있습니다. 스펙트럼 분석 결과, 생성된 블러는 실제 모션 왜곡과 일관된 고주파 억제 패턴을 보입니다. 6가지 아키텍처에 대한 평가 결과, Easy 그룹에서 Hard 그룹으로 전환될 때 7~9dB의 일관적인 성능 저하가 나타났으며, 이는 전체적인 보고 방식으로는 감춰지는 상당한 차이입니다. 또한, 본 벤치마크는 전문가용 카메라와 소비자용 카메라 간의 도메인 격차를 보여주며, 이를 해결하기 위한 미세 조정이 상당한 성능 향상을 가져올 수 있습니다. iPhoneBlur는 난이도 기반 분류와 배포 환경에서 중요한 메타데이터를 결합하여, 자원 제약적인 엣지 시스템에서 모델의 신뢰성 및 오류 발생 원인을 체계적으로 평가할 수 있도록 지원합니다.

Motion blur restoration on consumer mobile devices is typically evaluated using aggregate metrics that obscure performance variation across blur difficulty, masking model behavior under real deployment conditions. This work introduces iPhoneBlur, a difficulty-stratified benchmark of 7,400 image pairs synthesized from high-framerate iPhone 17 Pro videos captured in diverse real-world scenarios. Samples are partitioned into Easy, Medium, and Hard categories through PSNR-guided adaptive temporal windowing, with stratification validated by monotonic 2.2x increase in optical flow magnitude across tiers. Each sample includes comprehensive metadata enabling investigation of ISP-aware and difficulty-adaptive restoration strategies. Spectral analysis confirms synthesized blur exhibits high-frequency suppression patterns consistent with authentic motion degradation. Evaluation of six architectures reveals consistent 7-9 dB performance degradation from Easy to Hard subsets, a substantial gap entirely hidden by aggregate reporting. The benchmark further exposes a domain gap between professional and consumer cameras which targeted fine-tuning substantially recovers. By coupling difficulty stratification with deployment-critical metadata, iPhoneBlur enables systematic assessment of model reliability and failure modes for resource-constrained edge systems.