신경망 기반 암시적 표현을 활용한 3차원 SAR 영상 복원

초록

본 논문은 3D 합성 개구 레이더(SAR) 영상 복원에서 측정된 2D 푸리에 슬라이스가 불완전할 때 발생하는 아티팩트를 최소화하기 위해, 신경망 기반 암시적 표면 모델(서명 거리 함수, SDF)을 도입한다. 희소하고 잡음이 섞인 산점 데이터를 이용해 부드러운 표면을 추정하고, 학습 과정에서 암시적 표면에서 샘플링한 점들을 정규화 항으로 활용한다. 실측 및 시뮬레이션 차량 데이터와 대규모 차량 군집 씬에 적용해 기존 스파스성 기반 방법보다 우수한 재구성 품질을 입증한다. 향후 복소값 신경 표현 학습을 통한 부피 기반 SAR 데이터 생성 가능성을 제시한다.

상세 분석

본 연구는 3차원 SAR 영상 복원을 역문제(ill‑posed)로 규정하고, 기존의 이미지 도메인 스파스성(prior) 혹은 TV 정규화와 같은 단순 선형 제약을 넘어서는 비선형 구조적 사전(prior)을 설계한다는 점에서 혁신적이다. 핵심 아이디어는 SAR이 측정하는 2D 푸리에 슬라이스가 실제로는 물체 표면에서의 스캐터링(반사) 현상을 반영한다는 물리적 가정에 기반한다. 따라서 복원 대상은 ‘볼륨’이 아니라 ‘표면’이며, 표면을 수학적으로 서명 거리 함수(Signed Distance Function, SDF) 형태의 신경망으로 파라미터화한다. SDF는 임의의 3D 좌표를 입력받아 해당 점이 표면으로부터 얼마나 떨어져 있는지를 실수값으로 반환한다; 표면 자체는 SDF값이 0인 등고선으로 정의된다.

학습 과정에서는 실제 SAR 측정값을 푸리에 도메인에서 직접 비교하는 데이터 손실과, SDF가 정의된 표면에서 균일히 샘플링한 점들의 거리값이 0에 가깝도록 강제하는 정규화 손실을 동시에 최소화한다. 이때 표면 샘플링은 미분 가능하게 구현돼 역전파가 가능하므로, 신경망 파라미터가 표면 형태와 동시에 SAR 측정값을 설명하도록 공동 최적화된다. 결과적으로, 희소하고 잡음이 포함된 포인트 클라우드(예: 레이더 반사점)에서도 부드러운 연속 표면을 복원할 수 있다.

실험에서는 (1) 단일 차량의 실측 SAR 데이터, (2) 시뮬레이션으로 생성한 차량 모델, (3) 다수의 차량이 배치된 대규모 씬을 대상으로 정량·정성 평가를 수행했다. 재구성된 3D 볼륨은 기존 스파스성 기반 알고리즘에 비해 고해상도 디테일을 유지하면서 아티팩트(예: 스트리핑, 링잉) 감소 효과가 뚜렷했다. 특히, 차량의 날카로운 모서리와 작은 부품까지 SDF가 정확히 포착함을 시각적으로 확인할 수 있었다.

한계점으로는 현재 구현이 실수값 신경망에 국한돼 복소수 SAR 신호(위상 정보)를 직접 모델링하지 못한다는 점이다. 저자들은 이를 해결하기 위해 복소수 파라미터화와 복소수 활성함수, 그리고 복소수 푸리에 변환을 동시에 학습하는 차세대 모델을 제안한다. 또한, 대규모 씬에서의 연산 비용과 메모리 요구량이 아직 높은 편이므로, 멀티스케일 혹은 하이브리드(전통적 정규화+신경망) 접근법이 필요하다.

전반적으로, 신경망 기반 암시적 표면 표현을 SAR 복원에 적용한 본 연구는 물리‑학습 통합 프레임워크를 제시하며, 향후 복소값 신경 표현, 실시간 구현, 그리고 다중센서 융합 등 다양한 확장 가능성을 열어준다.