적응형 정보 최대화 인코딩을 이용한 고스트 이미징 최적 설계

초록

본 논문은 베이지안 필터링으로 객체의 사후 확률밀도함수를 순차적으로 추정하고, 그 정보를 기반으로 다음 측정에 사용할 인코딩 패턴을 정보 이득을 최대화하도록 설계하는 적응형 정보‑최대화 인코딩(AIME) 프레임워크를 제안한다. 총 에너지 제약 하에서는 점‑와이즈 스캔 형태의 최적 인코딩이 도출되며, 실험에서 저 SNR 환경에서도 기존 고정 패턴 방식보다 현저히 높은 영상 품질을 달성한다.

상세 분석

AIME 프레임워크는 고스트 이미징(GI)의 전형적인 선형 모델 z = β H x + n을 베이지안 필터링 구조에 삽입한다. 초기 사전은 주파수 도메인 통계에 기반한 가우시안(N(bx0, bP0))으로 설정하고, 측정마다 측정 행렬 H에 해당하는 인코딩 패턴 h_k를 이용해 관측값 z_k를 획득한다. 노이즈는 포아송 근사에 의해 가우시안(N(0, R_k))로 모델링되며, R_k는 현재 사후 평균 bx_{k‑1}에 의존한다. 이렇게 얻어진 사후는 다시 가우시안(N(bx_k, bP_k)) 형태를 유지하고, Kalman‑유사 업데이트 식(3a, 3b)으로 순차적으로 갱신된다.

정보 최적화는 두 가지 측정 기준을 사용한다. ① 상호 정보량(I) 를 계산하면 I(z_k, x|Z_{k‑1}) = ½ log(1 + β² h_kᵀ bP_{k‑1} h_k / R_k) 가 된다. 따라서 I를 최대화하는 목적함수는 L_MI = h_kᵀ bP_{k‑1} h_k / R_k 로 단순화된다. ② 피셔 정보 기반의 평균 CRB(mCRB) 를 최소화하면 L_CRB = h_kᵀ bP_{k‑1}² h_k / ( h_kᵀ bP_{k‑1} h_k + R_k β² ) 가 된다. 두 기준 모두 사후 공분산 bP_{k‑1}에 의해 가중된 인코딩 패턴의 에너지 집중도를 평가한다.

제약조건을 명시하면, 가장 기본적인 경우는 총 에너지 제약 ‖h_k‖₁ = C (ℓ₁ 제약)이다. 이때 최적화 문제는 max h_k h_kᵀ bP_{k‑1} h_k / R_k subject to ‖h_k‖₁=C, h_k≥0 로 정의된다. 정리 1에 따르면, 최적 해는 공분산 행렬의 대각 원소와 현재 사후 평균의 곱이 최대가 되는 좌표 i에 에너지를 전부 집중하는 형태, 즉 ˆh_k = e_{i} 로 얻어진다. 이는 “점‑와이즈 스캔” 전략으로, 스캔 순서는 사후 통계에 따라 동적으로 변한다.

실제 실험에서는 디지털 마이크로미러 디바이스(DMD) 기반 광 변조기를 사용해 h_k를 구현하고, 다양한 샘플링 비율(SR)과 SNR 조건에서 AIME‑ℓ₁, AIME‑CRB, 기존 랜덤 패턴, 그리고 고정 점‑대‑점 스캔을 비교하였다. 저 SNR(≈5 dB)에서 50 % 샘플링만으로도 AIME은 구조가 뚜렷한 이미지를 복원했으며, 전통적 전면 스캔은 100 % 샘플링에서도 잡음에 압도당했다. 정량적으로는 SSIM이 0.2 p.u. 정도 상승하고, PSNR도 3–4 dB 향상되었다. 또한, 인코딩 패턴이 초기에는 넓게 퍼진 형태에서 점차 집중되는 과정을 관찰했는데, 이는 사후 불확실성이 감소함에 따라 정보 이득을 최대화하기 위한 자연스러운 전이이다.

제한된 하드웨어(예: DMD의 이진화, 최대 전력 제한) 하에서는 ℓ₁ 제약 대신 ℓ₂ 혹은 최대 전압 제약을 적용해도 최적 구조는 “객체‑의존적” 패턴으로 남는다. 즉, 완전한 점‑와이즈가 아니더라도, 사후 공분산이 큰 영역에 더 많은 밝기를 할당하는 형태가 최적해에 근접한다. 이는 AIME이 특정 제약에 맞춰 유연하게 적용 가능함을 의미한다.

결론적으로, AIME는 (1) 사후 PDF를 실시간으로 추정해 정보 이득을 정량화, (2) 물리적 제약을 명시적으로 포함한 최적화 문제로 변환, (3) 해석적 혹은 수치적 해를 통해 인코딩을 순차적으로 업데이트함으로써, 기존 비적응형 혹은 압축감지 기반 설계보다 근본적인 정보 효율성을 제공한다. 특히 저조도·저 SNR 상황에서의 성능 향상은 실용적인 GI 시스템(예: 저용량 라이다, 의료 방사선 영상) 설계에 큰 의미를 가진다.