디지털 홀로그래피에서 스페클 억제를 위한 몬테카를로 최대우도 재구성

초록

본 논문은 디지털 홀로그래피와 같은 코히어런트 영상 시스템에서 스페클을 곱셈 잡음으로 모델링하고, 물리적으로 정확한 조리개 마스크를 포함한 최대우도(MLE) 기반 복원을 고차원 행렬 역연산 없이 구현한다. 무작위 선형대수와 공액 기울기(conjugate gradient)를 이용해 로그우도 그래디언트를 Monte‑Carlo 방식으로 추정하고, 이를 투사 경사하강(PGD)과 결합한 PGD‑MC 알고리즘을 제안한다. 실험에서 원형·환형 조리개 모델 모두에 강인하며, 기존 Plug‑and‑Play 방식보다 재구성 품질과 연산 속도가 크게 향상됨을 보였다.

상세 분석

이 연구는 스페클을 복소수 반사도 이미지 g의 제곱 크기로 나타내는 곱셈 잡음으로 수학화하고, 측정식 y = A g + z (z는 가우시안 센서 노이즈) 를 기반으로 로그우도 함수 f(x)=log det Σ(x)+yᴴΣ⁻¹(x)y 를 정의한다. 여기서 Σ(x)=A diag(x)Aᴴ+σ²_z I이며, x는 스페클이 제거된 실제 반사도(실수, 양수)이다. 기존 방법은 Σ⁻¹을 직접 계산하거나 AᴴA≈I와 같은 근사에 의존해 정확도가 떨어졌다. 저자들은 두 가지 핵심 아이디어로 이 문제를 해결한다. 첫째, Σ⁻¹ y 를 공액 기울기(CG)로 풀어 행렬 역연산을 회피한다. CG는 Σ가 Hermitian positive‑definite임을 이용해 빠르게 수렴한다. 둘째, AᴴΣ⁻¹A 의 대각 성분을 Monte‑Carlo 트레이스 추정법으로 근사한다. 무작위 벡터 v∼N(0,I) 를 샘플링하고, u=Σ⁻¹A v 를 CG로 구한 뒤 w=Aᴴu 를 계산하면, w⊙v (⊙는 원소곱) 의 평균이 대각 원소 추정값이 된다. 이 과정은 K개의 샘플을 평균해 분산을 감소시킨다.

제안된 PGD‑MC는 (7)–(20) 절차를 따르며, 매 반복마다 (i) Σ(x_t) 를 구성하고, (ii) Monte‑Carlo를 통해 대각 근사 d_t 를 얻고, (iii) 각 측정 y_ℓ에 대해 CG로 h_ℓ=Σ⁻¹y_ℓ 를 구해 m_ℓ=Aᴴh_ℓ 를 계산한다. 최종 그래디언트는 d_t − (1/L)∑|m_ℓ|² 로 구성된다. 이후 단계 크기 μ 로 전진하고, 이미지 정규화 집합 X 로의 투사 Π_X 를 수행한다. X는 BM3D, DnCNN, 혹은 Deep Image Prior와 같은 비학습·학습 기반 디노이저를 이용해 구현 가능하므로, 프레임워크는 다양한 사전 정보를 손쉽게 통합한다.

알고리즘 구현 시 A는 A=F⁻¹ M F 형태의 푸리에 기반 연산으로, FFT와 IFFT만으로 빠르게 적용된다. 따라서 메모리 요구량이 크게 감소하고, 512×512 해상도까지도 실시간에 가까운 속도로 복원한다. 실험에서는 원형 및 환형 조리개, 다양한 스페클 강도(z=1.5, 2.5, 5)와 측정 수 L=4를 변형해도 PSNR이 꾸준히 향상되었으며, 기존 Plug‑and‑Play EM(또는 CP‑nP‑EM) 대비 평균 2 dB 이상, 최고 4 dB까지 개선되었다. 또한 CG 반복 횟수를 1020으로 제한해도 수렴이 안정적이며, Monte‑Carlo 샘플 K=510이면 충분히 정확한 대각 근사를 얻는다.

이 논문의 주요 기여는 (1) 물리적으로 정확한 조리개 모델을 그대로 유지하면서 MLE를 직접 최적화하는 방법을 제시, (2) 무작위 선형대수와 CG를 결합해 고차원 행렬 연산을 회피, (3) 다양한 디노이저와 결합 가능한 범용적인 PGD‑MC 프레임워크를 제공, (4) 실험을 통해 기존 모델 기반 방법보다 품질·속도 모두에서 우수함을 입증한 점이다. 향후 확장 가능성으로는 비선형 조리개, 다중 파장 홀로그래피, 그리고 실시간 현장 적용을 위한 GPU‑최적화가 있다.