불투명 벽을 뚫는 딥러닝 기반 이미지 복원 기술

초록

본 논문은 두꺼운 난류 매질 뒤에 숨겨진 물체의 이미지를, 매질을 통과한 스페클 패턴을 딥러닝 모델에 학습시켜 복원하는 방법을 제시한다. 3 mm 두께의 백색 폴리스티렌 슬랩(광학 깊이 13.4 배 평균 자유 경로) 뒤에 있는 물체들을 성공적으로 재구성함으로써, 전통적인 광학 방법이 한계인 영역에서 딥러닝이 새로운 해결책이 될 수 있음을 입증한다.

상세 요약

이 연구는 광학적 난류 매질을 통과한 빛이 완전히 무작위화된 스페클 패턴을 생성한다는 전제 하에, 이러한 복잡한 매핑을 전통적인 물리 모델이 아닌 데이터 기반 딥 뉴럴 네트워크(DNN)로 학습한다는 혁신적인 접근을 취한다. 실험에 사용된 매질은 평균 자유 경로(l_s)가 약 0.22 mm인 백색 폴리스티렌 슬랩이며, 두께 3 mm는 l_s의 13.4배에 해당한다. 이 정도의 광학 깊이는 전통적인 전송 행렬 방법이나 역산법으로는 신호 대 잡음비가 급격히 감소해 복원이 거의 불가능한 수준이다. 저자들은 먼저 다양한 이진 및 회색조 물체를 매질 앞에 배치하고, 그 뒤에서 CCD 카메라로 스페클 이미지를 수집한다. 수집된 스페클 이미지와 원본 물체 이미지 쌍을 이용해 U‑Net 구조를 변형한 컨볼루션 신경망을 학습시켰으며, 손실 함수는 픽셀 단위 L2 손실과 구조적 유사도(SSIM) 보조 항을 결합해 이미지의 전반적 형태와 세부 텍스처를 동시에 보존하도록 설계하였다. 학습 과정에서 데이터 증강(회전, 스케일 변환)과 정규화 기법을 적용해 과적합을 방지하고, 검증 데이터셋에서 PSNR이 평균 24 dB, SSIM이 0.85 이상이라는 높은 복원 품질을 달성했다.

특히, 이 방법의 핵심은 “매질-스페클 매핑”을 일종의 블랙박스 함수로 취급하고, 충분히 다양한 입력-출력 쌍을 통해 함수 근사를 수행한다는 점이다. 따라서 매질 내부의 복잡한 다중 산란 경로, 위상 변조, 그리고 비선형 광학 효과를 명시적으로 모델링할 필요가 없으며, 실험적으로 측정된 데이터만으로도 높은 일반화 성능을 확보한다. 또한, 학습된 모델은 실시간 추론이 가능하도록 최적화되어, 새로운 스페클 패턴이 입력될 때마다 10 ms 이내에 복원 이미지를 출력한다. 이는 기존의 전송 행렬 역변환이 수백 밀리초에서 수초에 이르는 계산 비용에 비해 현저히 빠른 속도다.

한계점으로는 매질이 변하거나 온도·습도 등 환경 요인이 변하면 매핑이 달라져 재학습이 필요할 수 있다는 점이다. 또한, 현재 실험은 정밀히 정렬된 평면 매질에 국한되어 있어, 비평면 혹은 동적인 난류 매질에 대한 적용 가능성은 추가 연구가 요구된다. 그럼에도 불구하고, 이 연구는 딥러닝이 전통적인 광학 역문제 해결에 있어 강력한 도구가 될 수 있음을 실험적으로 증명했으며, 의료 영상, 비파괴 검사, 천문학적 관측 등 다양한 분야에 파급 효과를 기대한다.