정보량 기반 렌즈리스 이미지 인코더 설계 원칙

초록

본 논문은 마스크 기반 렌즈리스 이미징 시스템의 인코더를 객체 희소성, 다중화 정도, 그리고 잡음 특성을 고려한 상호정보량(mutual information) 추정으로 평가하고, 이를 최적화하여 정보량을 최대화하는 인코더 설계 방법을 제시한다.

상세 분석

이 연구는 렌즈리스 시스템에서 광학 인코더(위상·진폭 마스크)의 설계가 기존의 휴리스틱에 의존하는 한계를 극복하고자, 측정 데이터 자체에서 얻을 수 있는 상호정보량을 정량적 성능 지표로 도입한다. 객체 분포 O → 인코딩 이미지 X → 노이즈 측정 Y 라는 마르코프 체인을 가정하고, 데이터 처리 불등식으로 I(O;Y)=I(X;Y) 임을 증명함으로써 인코더 설계가 객체 정보 손실 없이 노이즈 단계만을 고려하면 충분함을 보였다. 엔트로피 H(Y) 는 PixelCNN을 이용해 실제 측정 패치를 학습시켜 교차 엔트로피로 근사하고, 조건 엔트로피 H(Y|X) 는 고광자 수에서 가우시안 근사된 포아송 잡음의 폐쇄형 식을 사용해 계산한다. 이렇게 얻은 I(X;Y)=H(Y)−H(Y|X) 값을 부트스트랩으로 신뢰구간을 제공한다.

희소성 평가는 기존 영상 처리에서 널리 쓰이는 타무라 계수(TC)를 gradient magnitude에 적용해 정량화했으며, 인코더 다중화는 렌즈렛 수(PSF 비영점 개수)로 단순화하였다. 실험에서는 1~9개의 렌즈렛을 갖는 인코더를 시뮬레이션하고, 객체 희소성이 증가할수록 다중화가 높은 인코더가 더 높은 상호정보량을 제공한다는 ‘희소성‑다중화 트레이드오프’를 발견했다. 특히 최적 인코더는 모든 경우에 측정 희소성(TC)이 동일한 수준을 유지한다는 흥미로운 규칙성을 보였다.

이 규칙을 바탕으로 객체 분포별(희소·중간·밀집) 최적 인코더를 상호정보량 기반 최적화로 설계했으며, 설계된 마스크를 실제 실험에 적용해 재구성 품질(PSNR, SSIM)에서 기존 휴리스틱 마스크보다 일관되게 우수함을 확인했다. 중요한 점은 이 평가·설계 과정이 재구성 알고리즘이나 실제 객체의 ground‑truth에 의존하지 않으며, 따라서 새로운 디코더가 등장해도 인코더의 최적성을 유지할 수 있다는 점이다.

결론적으로, 상호정보량은 객체‑인코더‑노이즈 삼각관계를 포괄적으로 포착하는 강력한 메트릭이며, 이를 활용한 설계 프레임워크는 렌즈리스 및 일반적인 다중화 시스템의 근본적인 성능 한계를 정량화하고, 실제 제조 가능한 마스크 설계에 직접 연결시킬 수 있다.