고품질 무렌즈 이미징을 위한 무작위 다초점 렌즈릿(ConvRML)

초록

**
본 논문은 정밀 제작된 무작위 다초점 렌즈릿(RML) 위상 마스크와 ConvNeXt 기반 복원 네트워크를 결합한 ConvRML 시스템을 제안한다. RML은 기존 디퓨저 마스크보다 낮은 멀티플렉싱으로 측정 대비를 향상시키며, ConvNeXt는 장거리 의존성을 효율적으로 학습해 PSNR을 최대 6.68 dB 개선한다. 또한 3개의 광학 시스템(렌즈, 디퓨저, RML)을 동시에 촬영하는 병렬 데이터 수집 플랫폼을 구축해 각 시스템당 100 000개의 측정 데이터를 공개한다. MTF와 상호정보량 분석을 통해 RML이 디퓨저 대비 고주파 전달 및 노이즈·양자화에 대한 강인성을 보임을 입증한다.

**

상세 분석

**
ConvRML 연구는 광학 설계와 딥러닝 복원 두 축을 동시에 고도화한 점이 가장 큰 특징이다. 첫 번째로 제안된 무작위 다초점 렌즈릿(RML) 마스크는 기존의 규칙적인 렌즈릿 배열이나 고멀티플렉싱 디퓨저와 달리, 서로 다른 초점 거리를 갖는 렌즈릿을 의사무작위 위치에 배치한다. 이러한 설계는 PSF가 몇 개의 뚜렷한 초점점으로 구성되면서도 배경은 최소화되어, 측정 이미지의 대비가 크게 유지된다. 특히, 렌즈릿 간 겹침을 최소화하고 높은 필 팩터를 확보함으로써 스트레이 라이트 누설을 억제하고, 센서와 마스크 사이 거리 변동에 대한 민감도를 낮춘다. 최신 2‑포톤 리소그래피 기술을 활용해 대면적·고해상도 패턴을 정밀하게 구현함으로써, 실험실 수준에서만 가능했던 설계가 대량 생산 가능 수준으로 확장되었다는 점도 주목할 만하다.

두 번째로 사용된 ConvNeXt 기반 복원 네트워크는 기존의 트랜스포머·어텐션 기반 모델이 갖는 높은 연산 비용을 완화하면서도 넓은 수용 영역을 제공한다. ConvNeXt는 단계적 다운샘플링 블록과 다중 스케일 피처 병합을 통해 멀티플렉싱된 측정의 장거리 상관관계를 효과적으로 학습한다. 실험 결과, 동일한 50 000개의 학습 샘플을 사용했을 때 RML‑ConvNeXt 조합은 디퓨저‑ConvNeXt 대비 평균 PSNR이 2.99 dB, SSIM이 0.116 향상되었으며, 최고 6.68 dB까지 개선된 경우도 확인되었다. 이는 측정 자체가 고품질 정보를 담고 있을 때, 적절한 네트워크 구조가 그 정보를 최대한 끌어낼 수 있음을 보여준다.

또한 논문은 세 시스템을 동일한 센서·조명·배율 조건에서 동시에 촬영하는 병렬 실험 플랫폼을 구축했다. 이를 통해 얻은 100 000개·3종 데이터셋(총 300 k 측정)은 현재 공개된 가장 규모가 큰 렌즈리스 이미지 데이터셋이며, 향후 다양한 복원 알고리즘의 벤치마크에 활용될 수 있다. 데이터셋을 이용한 MTF 분석에서는 RML이 디퓨저에 비해 고주파 전달이 현저히 우수함을 확인했으며, 상호정보량(MI) 실험에서는 읽기 노이즈와 양자화 비트 깊이 변화에 대해 RML이 지속적으로 높은 정보를 보존한다는 점을 입증했다. 특히 4‑bit 양자화 상황에서도 디퓨저는 거의 정보를 잃는 반면, RML은 여전히 유의미한 신호 변화를 유지한다.

전체적으로 이 연구는 (1) 정밀한 다초점 렌즈릿 마스크 설계, (2) 효율적인 ConvNeXt 복원 구조, (3) 대규모 표준화 데이터셋 제공이라는 세 축을 통해 기존 무렌즈 이미징의 한계를 크게 뛰어넘었다는 점에서 의미가 크다. 향후 고해상도·실시간 응용을 위해 하드웨어‑소프트웨어 공동 최적화가 지속될 것이며, 공개된 데이터와 코드베이스는 커뮤니티 기반 연구를 촉진할 것으로 기대된다.

**