신경망 기반 광류로 플래너·스테레오 PIV 혁신

초록

본 논문은 입자 이미지 유속계측(PIV)에서 기존 교차상관(CC)·웨이브렛 기반 광류(WOF)보다 높은 정확도와 강인성을 제공하는 신경광류(Neural Optical Flow, NOF)를 제안한다. 물리적 속도장을 연속적인 신경-암시적 좌표 네트워크로 파라미터화하고, 미분 가능한 이미지 워핑 연산자를 통해 대변위도 다중해상도 없이 직접 최적화한다. 질량 연속성 및 Navier‑Stokes 잔차를 하드·소프트 제약으로 포함시켜 물리‑인포드 정규화를 구현하고, 스테레오 PIV에서는 양 카메라 좌표 변환을 공유함으로써 일관된 정규화를 달성한다. 합성·실험 데이터에서 CC, WOF, 최신 지도·비지도 머신러닝 방법을 능가함을 보이며, 3~25분 내에 결과를 도출한다.

상세 분석

NOF는 기존 PIV 처리 방식의 근본적인 한계를 신경‑암시적 표현을 통해 극복한다. 좌표 신경망은 (x, t)와 같은 연속적인 물리 좌표를 입력으로 받아 속도 v를 출력하므로, 격자 기반 이산화와 달리 공간·시간 전반에 걸친 고해상도 정보를 압축된 파라미터 집합으로 저장한다. 이는 특히 대규모 3‑D·시간 흐름을 다룰 때 메모리와 연산 비용을 크게 절감한다. 미분 가능한 이미지 워핑 연산자는 물리적 입자 이동 Δx = ∫ v dτ 를 카메라 투영 Ψ 를 통해 이미지 변위 Δs 로 변환하고, 관측 이미지와의 차이를 데이터 손실 J_data 으로 정의한다. 여기서 선형화(광류 방정식) 대신 비선형 전체식 I(s,t) = I(s+Δs,t+Δt) 을 사용함으로써 대변위 상황에서도 수렴성을 확보한다. 정규화는 두 가지 경로로 구현된다. 첫째, 연속성 ∇·v = 0 을 스칼라·벡터 포텐셜 형태로 하드 제약화해 물리적 일관성을 강제한다. 둘째, Navier‑Stokes 잔차 R_NS = ∂v/∂t + (v·∇)v + ∇p − ν∇²v 를 소프트 손실에 포함시켜 PINN 형태의 물리‑인포드 학습을 수행한다. 이러한 정규화는 λ 값에 대한 민감도를 낮추고, L‑curve 분석을 통한 자동 가중치 선택이 가능하도록 만든다.

스테레오 PIV에서는 전·후 카메라 변환 Ψ_f, Ψ_b 을 동시에 최적화함으로써 두 시점에서 동일한 연속적인 속도장을 공유한다. 이는 기존 방법이 각 뷰마다 별도 속도장을 추정하고 후처리 단계에서 정합성을 맞추는 복잡성을 제거한다. 실험 결과는 합성 플래너·스테레오 데이터와 실제 플래너 PIV에서 NOF가 평균 상대 오차를 30 % 이상 감소시키고, 와류·경계층과 같은 고주파 구조를 정확히 복원함을 보여준다. 또한, 압력 필드를 직접 추정하는 사례에서 Navier‑Stokes 잔차 기반 손실이 압력 재구성 정확도를 크게 향상시켰다. 계산 시간은 GPU 기반 구현으로 3~25 분에 머물러, 실시간 혹은 준실시간 분석에 충분히 적용 가능하다.

요약하면, NOF는 (1) 연속적인 신경‑암시적 속도 표현, (2) 비선형 미분 가능한 워핑, (3) 물리‑인포드 정규화, (4) 스테레오 일관성 확보라는 네 가지 핵심 혁신을 통해 기존 PIV 방법의 해상도·정확도·범용성 한계를 뛰어넘는다.