단일 픽셀 검출기로 구현한 고해상도 X선 고스트 영상

초록

본 논문은 버킷(detector)과 특수 설계된 변조 마스크, 그리고 압축된 Hadamard 행렬을 포함한 다중 레벨 웨이브릿 컨볼루션 신경망을 결합한 새로운 딥러닝 기반 계산 고스트 영상 기법을 제시한다. 이를 통해 Nyquist 샘플링의 18.75%만으로도 ~10 µm 해상도의 X선 영상을 복원했으며, 휴대형 비상관형 X선 소스로 실험을 수행했다. 저용량·저비용 X선 고스트 카메라의 실용화 가능성을 크게 앞당겼다.

상세 분석

X선 고스트 영상은 전통적인 이미지 센서 대신 전체 빛 강도만을 측정하는 ‘버킷(detector)’과 사전에 설계된 조명 패턴을 이용해 물체의 정보를 역산하는 방식이다. 이 접근법은 검출기가 단일 픽셀이라도 고해상도 영상을 얻을 수 있다는 점에서 의료·고고학·재료과학 등 방사선 피폭을 최소화해야 하는 분야에 매력적이다. 그러나 기존 구현에서는 샘플링 효율이 낮고, 재구성 알고리즘이 잡음에 취약해 실용화에 한계가 있었다.

본 연구는 두 가지 핵심 혁신을 도입한다. 첫째, 변조 마스크를 Hadamard 행렬 기반으로 설계하고, 이를 압축된 형태(예: 1/4~1/8 비율)로 사용함으로써 측정 횟수를 크게 줄였다. Hadamard 패턴은 상호 직교성을 갖고 있어 최소한의 측정으로도 물체의 고유 정보를 충분히 포착한다. 둘째, 압축된 Hadamard 행렬을 입력으로 하는 다중 레벨 웨이브릿 컨볼루션 신경망(Wavelet‑CNN)을 개발했다. 웨이브릿 변환은 이미지의 다중 스케일 특성을 효과적으로 표현하고, CNN은 비선형 복원 과정을 학습한다. 특히, 네트워크는 ‘스킵 연결(skip‑connection)’과 ‘멀티‑스케일 피처 융합’을 통해 잡음에 강인하면서도 세밀한 구조를 복원한다.

실험에서는 직경 약 37 µm의 비상관형 X선 소스를 사용해 10 µm 수준의 해상도를 달성했으며, Nyquist 기준의 18.75% 샘플링만으로도 물체의 윤곽과 미세 디테일을 정확히 재구성했다. 이는 기존 방법이 요구하던 50% 이상 샘플링 대비 3배 이상 효율적인 결과다. 또한, 딥러닝 기반 복원은 전통적인 역전파(Filtered Back‑Projection)나 압축 센싱(CS) 알고리즘에 비해 PSNR·SSIM 지표가 현저히 우수했으며, 방사선 피폭량을 크게 낮출 수 있다는 실용적 장점을 제공한다.

이러한 접근은 ‘단일 픽셀 검출기 + 저비용 마스크 + 고성능 딥러닝’이라는 세 축을 동시에 최적화함으로써, 고해상도 X선 영상을 저비용·저용량 장비로 구현할 수 있는 길을 연다. 향후 실시간 영상화, 3차원 재구성, 그리고 다양한 파장(예: 중성자·γ선)으로의 확장 가능성도 기대된다.