물리 기반 잔차 BCR 네트워크로 현미경 복원 역문제 해결

초록

본 논문은 광학 현미경 이미지 복원을 역문제로 정의하고, Beylkin‑Coifman‑Rokhlin(BCR) 비표준 형태 파동함수 압축을 물리‑인식 신경망에 접목한 다단계 잔차 BCR(m‑rBCR) 모델을 제안한다. 4개의 시뮬레이션·실험 데이터셋에서 기존 Richardson‑Lucy, U‑Net, MIMO‑U‑Net 등과 비교해 PSNR·SSIM이 우수하고, 파라미터 수와 실행 시간이 현저히 감소하였다.

상세 분석

이 연구는 현미경 이미지 복원을 “관측 이미지 = PSF ∗ 객체 + 노이즈”라는 선형 컨볼루션 모델의 역문제로 공식화한다. 전통적인 Richardson‑Lucy와 같은 명시적 방법은 정확한 PSF와 잡음 모델링에 크게 의존하지만, 실제 현장에서는 PSF가 부정확하거나 변동성이 커서 복원 품질이 저하된다. 저자는 이러한 한계를 극복하기 위해 BCR 이론의 비표준 형태 파동함수 전개를 활용한다. BCR은 다중 해상도 스케일링·파동함수 계수를 이용해 적분·미분 연산자를 O(N) 복잡도로 근사할 수 있으며, 이때 발생하는 밴드 행렬 구조를 신경망의 로컬 컨볼루션 연산에 매핑한다.

논문은 먼저 BCR 기반 연산을 K_T(전방 연산)와 B = (K_TᵀK_T + εI)⁻¹(후방 연산) 두 네트워크 모듈로 분해한다. K_T는 다중 스케일 로컬 컨볼루션 블록으로 구현되고, B는 의사‑미분 연산자를 근사한다. 그러나 현미경 이미지에는 강한 비선형 잡음과 아티팩트가 존재하므로, 순수 BCR‑NN 구조는 불안정하다. 이를 보완하기 위해 저자는 잔차 밀집 블록(RDB)을 도입한 잔차 BCR(s‑rBCR) 구조를 설계하고, 각 해상도 단계마다 입력을 포스터리어(후처리) 형태로 재통합하는 다단계(m‑rBCR) 학습 프레임워크를 제안한다. 이 다단계 설계는 정보 손실을 최소화하고, 각 단계에서 특징을 융합함으로써 전역 최적화를 촉진한다.

실험에서는 ImageNet 기반 시뮬레이션, BioSR 시뮬레이션, 실제 dSTORM 및 와이드필드 현미경 데이터를 사용했다. m‑rBCR은 파라미터 수가 MIMO‑U‑Net보다 약 30배 적고 ESRGAN보다 210배 적음에도 불구하고, 두 실제 데이터셋과 BioSR에서 PSNR·SSIM 기준 최고 성능을 기록했다. ImageNet 시뮬레이션에서는 MIMO‑U‑Net에 근소히 뒤처졌지만, 연산 속도는 MIMO‑U‑Net 대비 3배, DDPM 대비 300배 빠른 것으로 보고되었다. 이러한 결과는 물리적 제약을 네트워크 설계에 직접 반영함으로써 불필요한 파라미터를 제거하고, 효율적인 역연산을 구현한 것이 핵심이다.

한계점으로는 BCR 전처리 단계에서 밴드 폭(nb)와 트렁케이션 레벨(L₀) 선택이 결과에 민감하게 작용한다는 점이며, 복잡한 3D 현미경(예: 라이트시트)이나 비선형 광학 시스템에 대한 일반화 검증이 부족하다. 향후 연구에서는 자동 하이퍼파라미터 튜닝, 다채널(색채·시간) 데이터 확장, 그리고 실제 현장 PSF 추정과 결합한 블라인드 복원으로의 확장이 기대된다.