품질‑인자 기반 딥러닝 네트워크로 역산산 문제 해결

초록

본 논문은 전자기 역산산 문제(ISP)를 해결하기 위해 데이터 샘플의 품질을 정량화하는 ‘품질‑인자(Q‑BP)’를 도입하고, 이를 기반으로 학습 데이터 구성을 최적화한다. 잔차 연결과 채널‑주의(SE) 메커니즘을 결합한 ReSE‑U‑Net 구조와, 데이터 적합도·물리 제약·이미지 매끄러움을 동시에 고려한 복합 손실 함수를 설계하여 배경 잡음 억제와 재구성 정확도를 크게 향상시켰다. 수치 실험과 실제 실험을 통해 제안 방법이 기존 U‑Net 대비 우수한 성능을 보임을 입증한다.

상세 분석

본 연구는 역산산 문제의 핵심 난제인 데이터 불균형과 물리적 제약 미반영을 두 축으로 해결하고자 한다. 첫 번째 축은 ‘품질‑인자(Q‑BP)’라는 새로운 메트릭을 정의함으로써 각 학습 샘플이 네트워크 학습에 기여하는 정도를 정량화한다. Q‑BP는 전통적인 BP(Back‑Propagation) 재구성 결과와 정답 이미지 사이의 SSIM과 RMSE를 결합한 값으로, 높은 SSIM·낮은 RMSE를 가질수록 높은 품질을 의미한다. 이를 통해 저품질(즉, BP가 크게 오차를 보이는) 샘플을 학습 데이터에 과다하게 포함시켜 네트워크가 어려운 사례를 충분히 학습하도록 설계하였다. 실험에서는 MNIST 기반의 디지털 이미지와 임의 다각형을 사용해 4개의 품질 구간(Excellent, Good, Fair, Poor)으로 라벨링하고, 전체 학습 데이터의 40 %를 ‘Poor’ 구간으로 채우는 비율이 최적임을 확인하였다. 두 번째 축은 네트워크 구조와 손실 함수 설계이다. 기존 U‑Net에 잔차 연결(Residual)과 채널‑주의(SE) 블록을 삽입해 깊은 층에서도 그래디언트 소실을 방지하고, 채널 간 상관관계를 동적으로 재조정함으로써 저 SNR 환경에서도 중요한 특성을 강조한다. 또한, Feature Transformation Layer를 도입해 복소수 입력(실·허수) 처리 시 수치적 안정성을 확보하였다. 손실 함수는 L_contrast(ℓ₂ 거리)와 (1‑SSIM²)를 결합한 L_SSIM에 물리 기반 필드 손실(L_field)과 TV 정규화(L_TV)를 가중치 α, β와 함께 더한다. α는 대비·산란장 에너지 비율로 자동 스케일링하고, β는 0~1 사이에서 실험적으로 튜닝한다. 이러한 복합 손실은 재구성 이미지의 구조적 유사성, 물리적 일관성, 그리고 매끄러운 경계 특성을 동시에 만족시켜 배경 아티팩트를 크게 감소시킨다. 수치 실험에서는 SNR = 5 dB 조건에서 ReSE‑U‑Net이 기존 U‑Net 대비 RMSE가 평균 12 % 개선되고, SSIM이 0.04 상승했으며, 학습 시간은 약 40 % 증가했지만 최종 재구성 품질이 현저히 우수함을 보여준다. 실제 실험에서도 동일한 트렌드가 관찰되어 제안 방법의 실용성을 입증한다. 전체적으로 품질‑인자를 통한 데이터 셋 구성, 물리‑인식 손실, 그리고 강화된 네트워크 아키텍처가 결합되어 역산산 문제에서 기존 딥러닝 기반 솔버보다 더 높은 일반화 능력과 정확도를 제공한다는 점이 핵심 기여이다.