복소값 신경망으로 레이더 영상 향상

초록

본 논문은 복소수 형태를 그대로 처리할 수 있는 복소값 CNN(CV‑CNN)을 레이더 영상 복원에 적용하고, 위상 보정 및 잡음 억제를 위한 두 가지 구조적 변형을 제안한다. 합성 데이터와 실제 실험을 통해 기존 방법 대비 영상 선명도와 계산 효율성이 크게 개선됨을 입증한다.

상세 분석

본 연구는 레이더 영상이 복소수 형태(진폭·위상)로 표현된다는 점에 착안하여, 실수값 CNN을 그대로 적용하는 것이 정보 손실을 초래한다는 근본적인 한계를 지적한다. 이를 해결하기 위해 복소값 가중치와 복소값 활성화 함수를 갖는 CV‑CNN을 설계하고, 두 가지 핵심 변형을 도입하였다. 첫 번째 변형은 복소값 배치 정규화(BatchNorm)로, 복소수 평균과 공분산을 동시에 정규화함으로써 학습 안정성을 크게 향상시켰다. 두 번째 변형은 위상 보정 모듈(Phase‑Correction Layer)으로, 레이더 신호의 고유 위상 왜곡을 학습 가능한 파라미터로 모델링하여, 전통적인 위상 보정 절차를 신경망 내부에서 자동화한다.

데이터 생성 단계에서는 실제 레이더 시스템의 파라미터(주파수, 대역폭, 안테나 배열 등)를 반영한 시뮬레이션 파이프라인을 구축하고, 다양한 잡음 레벨과 목표 물체 배치를 포함한 대규모 복소값 이미지 세트를 합성하였다. 학습은 복소값 교차 엔트로피 손실 대신 복소값 L2 손실을 사용해 복소수 전역 구조를 보존하도록 설계되었으며, Adam 옵티마이저와 복소값 학습률 스케줄링을 적용해 수렴 속도를 가속화하였다.

실험 결과는 두 축면에서 기존 방법을 능가한다. 정량적 지표인 PSNR과 SSIM에서 평균 3.2 dB, 0.07의 향상을 보였으며, 특히 저 SNR(≤ 0 dB) 환경에서 위상 보정 모듈이 위상 잡음 감소에 크게 기여한다. 또한 연산 복잡도 분석에서 CV‑CNN이 동일한 실수값 CNN 대비 1.8배 적은 FLOPs를 요구함을 확인하였다. 이는 복소값 연산이 실수값 연산을 복제하는 것이 아니라, 정보 손실 없이 직접 처리함으로써 불필요한 변환 과정을 제거하기 때문이다.

본 논문은 복소값 신경망이 레이더 영상 복원에 적합함을 실증적으로 증명했으며, 복소값 딥러닝이 전자파 기반 센서 분야 전반에 적용될 가능성을 제시한다. 향후 연구에서는 실시간 구현을 위한 하드웨어 가속(FPGA/ASIC)과 다중채널(다중극성) 레이더 데이터에 대한 확장성을 탐구할 여지가 있다.