압축감지 기반 라디오 인터페레인먼트 영상 복원 기법

본 논문은 라디오 인터페레인먼트가 제공하는 불완전하고 잡음이 섞인 푸리에 측정값을 압축감지(Compressed Sensing, CS) 이론에 기반한 새로운 영상 복원 프레임워크로 처리하는 방법을 제시한다. 라디오 인터페레인먼트는 여러 전파망원경이 서로 다른 베이스라인을 형성해 관측 대상의 푸리에 공간을 샘플링한다. 그러나 실제 관측에서는 전체 푸리에 평면을 완전하게 커버하지 못하고, 측정값은 잡음에 취약하기 때문에 전통적인 역문제는 ill‑posed가 된다. 기존에 널리 사용되는 CLEAN 알고리즘은 푸리에 측정값을 역변환해 “더티 이미지(dirty image)”를 만든 뒤, 점원(점 소스)들을 순차적으로 찾아가며 잔차를 감소시키는 탐욕적 매칭 퍼슈트 방식이다. 이 방식은 점원에 대해서는 어느 정도 효과적이지만, 복잡한 구조나 낮은 신호 대 잡음비(SNR) 상황에서는 과적합이나 잔차 남용이 발생한다. 저자는 이러한 한계를 극복하기 위해 라디오 인터페레인먼트의 측정 행렬을 Φ₍ri₎ = M F D 형태로 정형화한다. 여기서 D는 조명 함수 A를 반영한 대각 행렬, F는 이산 푸리에 변환, M은 관측된 푸리에 샘플을 선택하는 이진 마스크이다. 이 행렬은 CS 이론에서 “센싱 매트릭스”에 해당한다. CS는 신호가 어떤 변환 도메인(예: 웨이블릿, 총합 사전)에서 s‑희소하거나 압축 가능하면, 센싱 매트릭스가 제한된 RIP(Restricted Isometry Property)를 만족할 경우, 측정 수 m이 원본 차원 N보다 훨씬 작아도 정확한 복원이 가능하다고 주장한다. 라디오 인터페레인먼트의 베이스라인이 지구 자전 등에 의해 다양하게 변하기 때문에, 실제 측정 마스크는 충분히 무작위성을 띠어 RIP를 근사적으로 만족한다는 점을 논문은 강조한다. 복원은 두 단계로 구성된다. 첫 번째는 측정 제약을 만족하는 해 집합을 정의하는 것으로, χ² 통계량을 이용해 ‖y−Φ₍ri₎x‖₂ ≤ ε 라는 제약을 설정한다. 여기서 ε는 잡음 수준에 따라 χ² 분포의 특정 백분위수(예: 95%)에 대응한다. 두 번째는 사전 정보를 이용해 유일한 해를 선택하는 정규화 단계이다. 저자는 전통적인 CLEAN이 지역적인 매칭 퍼슈트에 불과하므로, 이를 전역 최적화 문제인 ℓ₁‑노름 최소화 문제로 대체한다. 구체적인 목적 함수는  minₓ ‖Ψᵀx‖₁ subject to ‖y−Φ₍ri₎x‖₂ ≤ ε 이며, Ψ는 신호가 희소하게 표현되는 변환 행렬이다. ℓ₁‑노름은 ℓ₀‑노름의 볼록 근사로, 전역 최소점을 보장한다. 또한, 신호가 양수이며 조명 함수가 알려진 경우 비음수 제약(x ≥ 0)과 조명 보정(D⁻¹)도 포함할 수 있다. 논문은 ℓ₁‑노름 외에도 총합 사전(Total Variation, TV) 정규화와 ℓ₁‑TV 혼합 정규화를 도입해, 서로 다른 신호 구조에 맞는 사전 선택이 가능함을 실험적으로 보여준다. 실험은 두 종류의 시뮬레이션 신호에 대해 수행된다. 첫 번째는 컴팩트한 천체(점원, 은하 등)로 구성된 강도 장이다. 이러한 신호는 공간적으로 희소하며, ℓ₁‑정규화가 가장 효과적이다. 두 번째는 우주 마이크로파 배경(CMB) 온도 장에 삽입된 코스믹 스트링의 미세한 선형 변형이다. 코스믹 스트링은 전역적으로는 희소하지만, 선형 구조가 존재하므로 TV 정규화가 선호된다. 각각에 대해 다양한 인터페레인먼트 배열(임의 마스크, 실제 VLA·SKA 시뮬레이션)과 잡음 수준(SNR=10~30 dB)을 적용하였다. 결과는 정량적 지표와 시각적 비교를 통해 제시된다. ℓ₁‑기반 CS 복원은 CLEAN 대비 평균 3~5 dB 향상된 SNR을 기록했으며, 저 SNR 상황에서 점원 검출률이 30 % 이상 증가했다. 코스믹 스트링 시뮬레이션에서는 TV 정규화가 선형 구조를 정확히 복원해, CLEAN이 놓치는 미세한 변형을 포착했다. χ² 제약을 만족하면서도 과적합을 방지하는 ε 선택 방법을 제안해, 복원 품질과 통계적 신뢰성을 동시에 확보했다. 알고리즘 구현은 ADMM(Alternating Direction Method of Multipliers)과 FISTA(Fast Iterative Shrinkage‑Thresholding Algorithm)를 활용했으며, 복원 시간은 CLEAN 대비 2~3배 정도 늘었지만 GPU 가속을 통해 실시간 수준으로도 충분히 확장 가능함을 언급한다. 또한, 조명 함수 A가 알려지지 않은 경우에도 A와 x를 동시에 추정하는 blind deconvolution 형태로 프레임워크를 확장할 수 있음을 제시한다. 결론적으로, 압축감지 기반 전역 최적화는 라디오 인터페레인먼트 영상 복원에 있어 기존 CLEAN보다 뛰어난 성능을 제공한다. 특히, 신호가 희소하거나 압축 가능하다는 사전 정보를 명시적으로 활용함으로써 측정이 불완전하고 잡음이 큰 상황에서도 높은 재구성 정확도를 달성한다. 향후 연구에서는 구면(전천구) 위에서의 적용, 광·적외선 인터페레인먼트로의 확장, 그리고 실시간 파이프라인 구축을 위한 알고리즘 가속화가 주요 과제로 남는다.