옴니렌즈 전천후 렌즈 수차 보정 프레임워크

초록

옴니렌즈는 자동 광학 설계(EAOD)로 다양한 렌즈 샘플을 생성해 포괄적인 LensLib를 구축하고, 이를 기반으로 블라인드 CAC 모델을 사전 학습한다. 이후 실세계에서 캡처한 소량의 이미지와 다크 채널 프라이어(DCP) 기반 무감독 정규화를 이용해 특정 렌즈에 빠르게 도메인 적응시켜 높은 PSNR 향상을 달성한다.

상세 분석

본 논문은 기존의 렌즈‑특화 CAC 모델이 새로운 렌즈에 적용될 때 발생하는 일반화 한계를 두 단계 접근법으로 극복한다. 첫 번째 단계는 Evolution‑based Automatic Optical Design(EAOD) 파이프라인이다. EAOD는 유전 알고리즘 기반의 전역·국부 최적화를 결합해 렌즈 조각 수, 조리개 위치, 반시야각, F‑넘버 등 네 가지 설계 변수 집합을 다양하게 조합한다. 각 후보 렌즈는 곡률, 표면 파라미터, 유리·공기 간격, 굴절률, Abbe 수 등을 포함한 고차원 파라미터 벡터로 표현되며, 이미지 품질(Spot RMS, 색수차 등)과 물리적 제약(두께, 재료 제한 등)을 동시에 만족하도록 목표 함수 L_AOD를 최적화한다. 진화 과정에서 교차·돌연변이 연산을 적용해 수천 개의 서로 다른 광학 구조를 자동 생성함으로써, 실제 제조 과정에서 나타날 수 있는 다양한 비정상 수차 패턴을 포괄한다. 이렇게 구축된 LensLib는 시뮬레이션 파이프라인을 통해 PSF와 왜곡 맵을 합성하고, 깨끗한 이미지와 쌍을 이루는 대규모 학습 데이터셋을 만든다.

두 번째 단계는 LensLib‑to‑Specific 도메인 적응이다. 사전 학습된 블라인드 CAC 모델은 LensLib에 포함된 다양한 수차에 대해 일반화된 복원 능력을 갖지만, 완전한 제로‑샷 성능을 보장하지 못한다. 이를 보완하기 위해 실제 렌즈로 촬영한 소수의 이미지(라벨 없음)를 활용한다. 저자는 광학 수차가 야기하는 다크 채널 프라이어(DCP) 현상을 관찰하고, DCP의 통계적 특성을 무감독 정규화 항으로 정의한다. 구체적으로, 복원된 이미지의 다크 채널 평균값이 실제 이미지의 다크 채널 평균값과 일치하도록 L_DCP = ||DCP(Ĩ) – DCP(I_real)||_1을 손실에 추가한다. 이 정규화는 물리적 제약을 반영하면서도 라벨이 없는 데이터만으로도 빠른 파라미터 튜닝을 가능하게 한다. 실험 결과, 도메인 적응을 거친 모델은 특히 심한 수차(예: 고왜곡 광각 렌즈)에서 PSNR이 최대 2.59 dB 상승했으며, 비블라인드 렌즈‑특화 방법에도 0.35~1.81 dB의 부가 향상을 제공한다.

핵심 기여는 (1) 자동 설계와 진화를 통해 실세계 렌즈 다양성을 충분히 커버하는 LensLib 구축, (2) DCP 기반 무감독 정규화를 이용한 라벨‑프리 도메인 적응 메커니즘, (3) 두 단계 접근을 통해 라벨이 전혀 없는 상황에서도 고품질 수차 보정이 가능하도록 한 점이다. 또한 코드와 데이터셋을 공개함으로써 향후 광학 설계·컴퓨테이셔널 이미징 연구에 중요한 인프라를 제공한다.