물리 기반 신경 필드로 제약 없는 코히런트 회절 이미징 실현

초록

코히런트 회절 이미징(CDI)의 핵심 문제인 불안정한 위상 복원 과정을 해결하기 위해, 연구팀은 물리 법칙을 따르는 순방향 모델과 비지도 좌표 기반 신경 필드를 결합한 ‘CDIP’ 프레임워크를 제안했다. 이 방법은 기존에 필수적이었던 수동 제약 조건(지원 마스크 등)을 완전히 제거하고, 정적 및 동적 샘플 모두에서 기존 알고리즘보다 우수한 충실도와 안정성을 입증했다.

상세 분석

본 논문이 제안하는 CDIP 프레임워크의 기술적 혁신성과 핵심 통찰은 다음과 같다.

첫째, 3D 볼류메트릭 신경 필드(Neural Field) 표현의 도입이다. 기존 CDI 재구성이 2D 복소수 장을 직접 최적화하는 반면, CDIP는 공간 좌표 (x, y, z)를 입력으로 받아 복소수 진폭과 위상을 출력하는 신경망(Φθ)으로 객체를 3D 체적으로 모델링한다. 이는 객체를 연속적이고 부드러운 함수 공간으로 제한하는 강력한 암시적 사전(implicit prior) 역할을 하며, 해공간을 안정화시킨다. 특히 이 3D 표현은 2D 위상 복원에서 흔히 발생하는 쌍둥이 영상(twin-image) 및 평행 이동 모호성(translation ambiguity)을 깨는 데 핵심적이다. 3D 맥락이 구조적 비대칭성을 제공하여 최적화가 여러 동등한 해 사이에서 진동하는 것을 방지하고 단일 안정된 해로 수렴하도록 유도한다.

둘째, 점진적 앵커링(Progressive Anchoring) 전략이다. 신경 필드가 특정 좌표에서만 값을 추론할 수 있는 지역적 특성을 활용하여, 최적화를 시야의 중심부 작은 영역에서 시작한 후 점차 외부로 확장해 나간다. 이는 객체를 공간적으로 중앙에 고정시키는 자연스러운 편향을 생성하며, 번역 모호성을 해결하고 명시적인 지원 마스크 없이도 객체 외부 영역을 암묵적으로 억제하는 효과를 낸다.

셋째, **SIREN 아키텍처와 지각 손실(Perceptual Loss)**의 통합이다. 고주파 세부 구조 표현에 취약한 일반 MLP 대신 주기적 활성화 함수를 사용하는 SIREN을 채택해 미세한 구조를 정확히 복원한다. 또한 픽셀 단위 오차를 넘어 전역적 형태 일관성을 촉진하는 VGG 기반 지각 손실을 도입함으로써, 저광자 수 조건에서 흔한 포아송 노이즈에 대한 강건성을 추가로 확보했다.

넷째, 동적 이미징으로의 자연스러운 확장이다. 신경 필드의 입력에 시간 좌표(t)를 추가함으로써 시공간 도메인을 통합된 하나의 연속 함수(Φθ(r, t))로 모델링한다. 이는 명시적인 시간 규제나 프레임 간 제약 없이도 물리적으로 일관된 시간적 진화를 재구성할 수 있게 하며, 동적 CDI에 대한 새로운 패러다임을 제시한다.

종합하면, CDIP는 ‘수동 제약 조건 의존’에서 ‘물리 지식과 신경망 구조가 제공하는 암시적 규제’로의 패러다임 전환을 완성했다. 이는 단순한 알고리즘 개선을 넘어, 회절 이미징 문제 자체를 표현(representation)의 관점에서 재정의한 혁신적 접근법이다.