압축감지 기반 VLBI 이미지 복원

초록

본 논문은 VLBI 관측에서 불완전한 uv 샘플을 이용해 발생하는 이미지 블러와 아티팩트를 최소화하기 위해, 압축감지(Compressive Sensing) 이론을 적용한 새로운 복원 알고리즘을 제안한다. 시뮬레이션과 실제 VLA 데이터(3C459)를 통해 기존 CLEAN·MEM 방식보다 높은 재구성 정확도와 잡음 억제 효과를 입증하였다.

상세 분석

VLBI(극초단파 간섭계)에서는 지구 상에 흩어진 여러 전파망원경이 수집한 복소 가시도(visibility) 데이터를 uv 평면에 불규칙하게 배치하게 된다. 이때 관측된 샘플이 전체 uv 영역을 충분히 커버하지 못하면, 역푸리에 변환을 직접 적용했을 때 점점이 퍼진 스프리드 함수(점확산함수)와 같은 컨볼루션 아티팩트가 이미지에 남는다. 전통적으로는 이러한 문제를 해결하기 위해 CLEAN 알고리즘(점 소스 모델 기반 최소제곱 최적화)과 최대 엔트로피 방법(MEM, 정보 엔트로피 최대화) 등이 사용되어 왔지만, 두 방법 모두 샘플링 패턴이 비정규적일 때 잔여 잡음과 구조 왜곡이 완전히 사라지지 않는다.

압축감지는 ‘신호가 희소(sparse)하거나 변환 도메인에서 압축 가능(compressible)’하다는 가정 하에, 전체 신호보다 훨씬 적은 수의 무작위 측정값만으로도 정확한 복원을 가능하게 하는 최신 신호 처리 이론이다. 핵심은 측정 행렬이 ‘RIP(Restricted Isometry Property)’를 만족하도록 설계되는 것이며, 이를 통해 ℓ₁ 최소화 혹은 베이시안 추정과 같은 최적화 절차가 원본 신호를 복원한다.

본 논문은 라디오 은하와 같은 천체 이미지가 실제로는 점원소와 연속적인 구조가 혼재된 희소한 스펙트럼을 가진다고 가정하고, uv 평면에서의 비정규 샘플을 압축감지 프레임워크에 매핑한다. 구체적으로는 (1) 측정 행렬 Φ를 uv 샘플링 위치에 대응시키고, (2) 이미지 도메인에서의 희소 표현을 웨이브릿 또는 총합 사전(dictionary)으로 정의한다. 이후 ℓ₁ 정규화된 최소제곱 문제를 ADMM(Alternating Direction Method of Multipliers) 혹은 FISTA(Fast Iterative Shrinkage‑Thresholding Algorithm)와 같은 효율적인 수치 해법으로 풀어, 기존 CLEAN이 남기는 잔여 스프리드 함수를 최소화한다.

시뮬레이션에서는 타원형 궤적을 따라 배치된 30% 정도의 uv 샘플만을 사용했음에도 불구하고, 제안된 CS 기반 복원은 원본 이미지와의 구조적 유사도(SSIM)와 신호대잡음비(SNR)에서 기존 방법보다 5~8 dB 정도 우수한 성능을 보였다. 실제 VLA 데이터(3C459)에서도 복원된 이미지가 전통적인 CLEAN 결과에 비해 꼬리(artifact)와 주변 잡음이 현저히 감소했으며, 특히 비대칭 구조와 저강도 연장된 잔광을 더 명확히 드러냈다.

알고리즘 복잡도 측면에서는, 압축감지 최적화 단계가 반복적인 선형 연산과 임계값 연산을 주로 사용하므로 GPU 가속 시 실시간 수준에 근접할 수 있다. 다만, 희소 사전 선택과 정규화 파라미터 λ의 튜닝이 복원 품질에 큰 영향을 미치며, 매우 복잡한 구조를 가진 은하(예: 다중 핵, 광대역 플라즈마 흐름)에서는 희소성 가정이 약해져 성능 저하가 관찰될 수 있다.

결론적으로, 본 연구는 VLBI 이미지 복원 문제를 압축감지 이론과 연결함으로써, 제한된 uv 샘플에서도 고품질의 비왜곡 이미지를 얻을 수 있음을 증명하였다. 향후 연구에서는 다중 주파수(멀티밴드) 데이터 통합, 비선형 측정 모델(예: 위상 오류 보정) 및 딥러닝 기반 사전 학습을 결합한 하이브리드 프레임워크를 탐색함으로써, 차세대 초고해상도 전파천문학에 기여할 수 있을 것으로 기대된다.