하이퍼스펙트럼 라디오 인터페라미터 이미징을 위한 플러그인플레이 HyperAIRI

초록

HyperAIRI는 플러그인‑플레이(FB) 구조에 기반한 하이퍼스펙트럼 라디오 인터페라미터(RI) 이미지 복원을 위한 새로운 알고리즘이다. 학습된 하이퍼스펙트럼 디노이저는 인접 채널 이미지와 스펙트럼 인덱스 맵을 입력으로 받아 각 채널을 비폭발적으로 denoise한다. 동적 범위별 사전 학습된 디노이저 셀프를 활용하고, 이미지 파시잉(faceting)으로 대규모 이미지에도 확장 가능하도록 설계되었다. 수렴성을 보장하기 위해 Jacobian 정규화를 적용했으며, 최적화 기반 Hyper‑uSARA와 CLEAN 기반 방법들에 비해 시뮬레이션 및 실제 ASKAP 데이터에서 높은 해상도·고동적범위 성능을 입증한다.

상세 분석

HyperAIRI는 기존 단일채널 AIRI의 성공을 하이퍼스펙트럼 영역으로 확장한 것으로, 핵심 아이디어는 “플러그인‑플레이(Plug‑and‑Play, PnP) 프레임워크 + 학습된 하이퍼스펙트럼 디노이저”이다. PnP는 최적화 이론의 전방‑후방(FB) 알고리즘 구조에 데이터 적합성 단계와 정규화 단계(여기서는 디노이저)를 교대로 적용한다. 이때 디노이저는 측정 연산자와 무관하게 설계되므로 다양한 RI 배열·주파수 설정에 그대로 적용 가능하다.

HyperAIRI의 디노이저는 각 스펙트럼 채널 (l)에 대해 현재 이미지 추정 (\mathbf{x}l), 인접 채널 (\mathbf{x}{l-1},\mathbf{x}_{l+1}), 그리고 스펙트럼 인덱스 맵 (\boldsymbol{\alpha})를 입력으로 받아 denoised 이미지 (\hat{\mathbf{x}}_l)를 출력한다. 이는 물리적 파워‑로우 모델 ( \mathbf{x}_l = \mathbf{x}_0 (\nu_l/\nu_0)^{-\alpha+\beta\log(\nu_l/\nu_0)})을 암묵적으로 강제함으로써 채널 간 일관성을 유지한다.

수렴성을 보장하기 위해 디노이저 학습 시 Jacobian 정규화 항을 추가해 비팽창성(non‑expansiveness)을 강제한다. 비팽창성은 FB 반복이 고정점에 수렴하도록 하는 핵심 조건이며, 기존 PnP 연구에서 제시된 이론적 보장을 그대로 적용할 수 있게 한다.

동적 범위가 크게 변동하는 천체 이미지에 대응하기 위해, 저동적‑고동적 각각에 최적화된 여러 디노이저를 사전 학습해 “디노이저 셀프”(shelf) 형태로 저장한다. 각 FB 반복에서 현재 채널의 평균 강도에 맞는 디노이저를 자동 선택해 적용함으로써, 별도 재학습 없이도 다양한 HDR 상황에 적응한다.

또한, HyperAIRI는 이미지 파시잉(faceting) 기능을 디노이저에 내장한다. 파시잉은 큰 이미지(수천 × 수천 픽셀)를 작은 패치로 나누어 병렬 처리하게 하여 메모리·연산 부담을 크게 낮춘다. 파시잉된 결과는 최종 단계에서 무결점으로 결합되며, 이는 HyperSARA의 복잡한 교차채널 통신을 회피하고 HPC 환경에서 높은 확장성을 제공한다.

비교 대상인 Hyper‑uSARA는 (\ell_{2,1}) 정규화 기반의 공동 희소성 모델을 사용해 최적화 문제를 풀지만, 정확한 노이즈 분포와 복잡한 프루닝 절차가 필요하다. 반면 HyperAIRI는 데이터 적합성 단계와 디노이저 단계만을 반복하므로 구현이 간단하고, 학습된 디노이저가 복잡한 이미지 통계(텍스처, 에지, 스펙트럼 연속성)를 자동으로 캡처한다. 실험 결과, 시뮬레이션 VLA 데이터와 실제 ASKAP 관측에서 HyperAIRI는 PSNR·SSIM·동적 범위 측면에서 Hyper‑uSARA와 WSClean‑MF‑CLEAN을 모두 앞섰으며, 특히 고주파 채널에서 스펙트럼 인덱스 추정 정확도가 크게 향상되었다.

전체적으로 HyperAIRI는 (1) 물리 기반 스펙트럼 모델을 디노이저 입력에 통합, (2) 비팽창성 보장을 위한 Jacobian 정규화, (3) 동적 범위별 디노이저 셀프, (4) 파시잉 기반 확장성이라는 네 가지 핵심 설계 요소를 결합해, 차세대 SKA·ASKAP 등 대용량 하이퍼스펙트럼 RI 관측에 적합한 고정밀·고효율 이미지 복원 프레임워크를 제공한다.