동적 수지상결정 샘플링을 위한 비지도 학습 접근법

본 논문은 금속 고체화 과정에서 형성되는 수지상결정(다윈트)의 1차 및 2차 가지를 빠르게 이미지화하기 위한 새로운 비지도 동적 샘플링 기법인 U‑SLADS(Unsupervised Learning Approach for Dynamic Dendrite Sampling)를 제안한다. 기존의 동적 샘플링 방법인 SLADS와 SLADS‑Net은 지도학습 기반으로, 사전에 구축된 특징‑오차 매핑이 필요하고 주로 에지(경계) 정보를 활용한다. 그러나 수지상결정은 에지보다 골격(스켈레톤) 구조가 연구 목적에 더 가깝기 때문에, 에지 중심의 특징이 효과적이지 않다. 이를 해결하고자 저자들은 현재까지 측정된 픽셀 위치와 강도를 이용해 2차원 가우시안 혼합 모델(GMM)을 구성하고, 이를 계층적으로 확장한 Hierarchical GMM(HGMM)을 적용한다. U‑SLADS의 전체 흐름은 다음과 같다. (1) 전체 이미지 영역을 2‑D 격자로 이산화하고, 초기 5 %를 무작위로 측정한다. (2) 측정된 강도값에 Otsu 방법을 적용해 임계값 τ를 구하고, τ 이상인 픽셀만을 대상으로 클러스터링을 수행한다. 클러스터 수는 Bayesian Information Criterion(BIC)을 이용해 자동 선택한다(GMMbic 함수). (3) 현재 클러스터에 속한 미측정 픽셀에 대해 각 클러스터의 평균 μ_k와 공분산 Σ_k를 사용해 마할라노비스 거리를 계산한다. (4) 거리값이 가장 작은 상위 n개의 픽셀을 차례로 측정한다. (5) 새롭게 측정된 데이터가 추가되면 GMM을 재학습하고, 클러스터가 하나가 될 때까지(또는 최대 반복 횟수에 도달할 때까지) 위 과정을 반복한다. 클러스터가 여러 개이면 각 클러스터를 별도의 서브 이미지로 취급해 큐에 넣고, 재귀적으로 같은 과정을 수행한다. 이와 같이 계층적 구조를 이용하면 1차 가지를 먼저 포착하고, 이후 2차·3차 가지를 점진적으로 세분화한다. 실험에서는 시뮬레이션된 수지상결정 이미지를 대상으로 10 %~40 % 샘플링 비율에서 U‑SLADS와 전통적인 무작위 샘플링을 비교하였다. 10 % 단계에서는 네 개의 주요 가지만 대략적으로 파악했으며, 20 %·30 % 단계에서는 주요 가지와 일부 2차 가지가 드러났다. 최종 40 %에서는 거의 모든 주요·보조 가지를 복원했다. 정량적으로는 40 % 샘플링 시 PSNR이 11.31 dB, SSIM이 0.65로, 무작위 샘플링의 7.25 dB·0.46에 비해 현저히 우수했다. 하지만 연산 비용이 샘플링 비율에 따라 기하급수적으로 증가한다는 단점이 있다. 특히 GMM 학습과 마할라노비스 거리 계산이 전체 미측정 픽셀에 대해 수행되기 때문에, 실시간 적용에는 제한이 있다. 또한 Otsu 임계값에 의존하는 강도 기반 전처리는 잡음이 많은 실제 현미경 데이터에서 클러스터링 품질을 저하시킬 가능성이 있다. 향후 연구에서는 GPU 가속, 근사 거리 계산, 혹은 변분 베이즈 GMM 등으로 연산 효율을 높이고, 잡음에 강인한 임계값 추정 방법을 도입할 필요가 있다. 결론적으로, U‑SLADS는 비지도 학습을 통해 수지상결정과 같은 골격 중심의 구조를 효율적으로 샘플링할 수 있는 새로운 프레임워크를 제공한다. 사전 학습이 필요 없고, 구조적 특성을 직접 모델링한다는 점에서 기존 에지 기반 동적 샘플링과 차별화된다. 다만, 연산 복잡도와 잡음 민감도 문제를 해결한다면, 전자·X‑ray 현미경 등 고해상도 스캔 이미지 분야에서 실시간 동적 샘플링을 구현하는 데 큰 잠재력을 지닌다.