MSEG-VCUQ: Multimodal SEGmentation with Enhanced Vision Foundation Models, Convolutional Neural Networks, and Uncertainty Quantification for High-Speed Video Phase Detection Data

1. 문제 정의 (Problem Statement)

고속 카메라 (HSV, High-Speed Video) 를 이용한 상변화 (Phase Detection, PD) 분할은 산업 공정 (원자로, 전자 냉각 등) 에서 기체, 액체, 미세막 (microlayer) 상을 모니터링하는 데 필수적입니다. 그러나 기존 방법론에는 다음과 같은 한계가 존재했습니다.

• 복잡한 PD 데이터의 분할 난이도: 기존 CNN 기반 모델 (U-Net 등) 은 단순한 섀도그래피 (shadowgraphy) 기반의 이상 유동 (TPF) 분석에는 성공했으나, 기포의 중첩, 복잡한 액체 - 기체 상호작용, 다양한 조명 조건을 포함하는 실제 PD 영상에는 적용이 제한적이었습니다.
• 비전 파운데이션 모델 (VFMs) 의 미적용: Segment Anything Model (SAM) 과 같은 최신 비전 파운데이션 모델은 자연 이미지나 의료 영상에서는 뛰어난 성능을 보였으나, 보일링 (boiling) 실험과 같은 과학적 PD 작업에는 적용되지 않았습니다.
• 불확실성 정량화 (UQ) 의 부재: 기존 UQ 방법은 픽셀 수준의 신뢰도를 제공하지 못해, 접촉선 밀도 (contact line density) 나 건조 면적 비율 (dry area fraction) 같은 핵심 물리량의 오차를 정량화하기 어려웠습니다.
• 데이터 부족: PD 분할에 특화된 대규모 오픈 소스 멀티모달 실험 데이터셋이 부족하여 모델의 일반화 능력을 검증하기 어려웠습니다.

2. 방법론 (Methodology)

저자들은 이러한 격차를 해결하기 위해 MSEG-VCUQ라는 하이브리드 프레임워크를 제안했습니다. 이 프레임워크는 다음과 같은 핵심 구성 요소로 이루어져 있습니다.

가. 하이브리드 아키텍처 (VideoSAM)

• U-Net 과 SAM 의 통합: 초기 분할 마스크 생성에는 전이 학습 (Transfer Learning) 을 적용한 U-Net CNN을 사용하고, 이를 **Segment Anything Model (SAM)**의 트랜스포머 기반 어텐션 메커니즘을 통해 정제 (Refinement) 합니다.
• 동작 원리:
  1. U-Net: 액체 - 기체 경계의 기본 마스크를 생성합니다.
  2. VideoSAM (SAM 기반): 생성된 마스크와 원본 영상을 입력받아, 이미지 인코더와 마스크 디코더를 통해 세부적인 경계와 복잡한 기포 구조를 정밀하게 분할합니다.
• 학습 전략: 생물학적 세포 분할 데이터로 사전 학습된 U-Net 을 다양한 유체 (아르곤, 질소, FC-72, 물) 에 맞게 미세 조정 (Fine-tuning) 하고, SAM 의 인코더는 고정 (Freeze) 한 채 마스크 디코더만 학습시켜 효율성을 높였습니다.

나. 불확실성 정량화 (Uncertainty Quantification, UQ)

• 이산화 오차 분석: 픽셀 기반 측정 (그리드 해상도) 이 기포의 둘레 (Perimeter) 와 면적 (Area) 계산에 미치는 영향을 정량화했습니다.
• 메트릭: 접촉선 밀도와 건조 면적 비율의 오차를 평가하기 위해 **상대 오차 (PRE)**와 **평균 오차 (ME)**를 계산했습니다.
• 기법: 침식 (Erosion) 과 팽창 (Dilation) 연산을 적용하여 경계 아티팩트를 줄이고 측정 정확도를 향상시켰습니다.

다. 오픈 소스 멀티모달 데이터셋

• 다양한 유체 (Ar, N2, FC-72, 고압 물) 와 조건 (포화 풀 보일링, 유동 보일링) 을 포함한 대규모 HSV PD 데이터셋을 구축하고 오픈 소스로 공개했습니다. 이는 기존에 존재하던 단순한 시뮬레이션 데이터나 단일 모드 데이터의 한계를 극복합니다.

3. 주요 기여 (Key Contributions)

1. PD 분석을 위한 전이 학습: 생물학적 세포 이미지에서 보일링 PD 데이터로의 전이 학습을 성공적으로 적용하여, U-Net 이 미세한 기포 구조와 상 경계를 정밀하게 포착하도록 했습니다.
2. 통합 불확실성 정량화: 픽셀 수준의 분할 오차 (접촉선 밀도, 건조 면적 등) 를 체계적으로 정량화하는 파이프라인을 도입하여 결과의 신뢰성을 확보했습니다.
3. 최초의 오픈 소스 멀티모달 PD 데이터셋: 다양한 실험 조건과 유체를 아우르는 대규모 데이터셋을 공개하여 향후 연구의 기반을 마련했습니다.
4. 비전 파운데이션 모델의 과학적 적용: SAM 과 같은 대규모 비전 모델을 보일링 PD 분할에 적용하여, 복잡한 환경에서의 일반화 능력을 입증했습니다.
5. 종합적 프레임워크: 분할, 불확실성 정량화, 데이터 개발, 교차 적응성을 모두 아우르는 오픈 소스 재현 가능한 솔루션을 제시했습니다.

4. 결과 (Results)

• 성능 비교 (VideoSAM vs. U-Net vs. SAM):
  • 복잡한 환경 (FC-72, 질소, 아르곤): VideoSAM 이 U-Net 과 SAM 보다 뛰어난 성능을 보였습니다. 특히 FC-72 에서 IoU 0.80, 질소에서 IoU 0.83 을 기록하며, SAM(0.67) 과 U-Net(0.75) 을 능가했습니다. VideoSAM 은 밀집된 기포와 복잡한 경계를 효과적으로 분할했습니다.
  • 단순한 환경 (물): 상대적으로 단순한 배경과 낮은 대비를 가진 물 데이터에서는 U-Net 이 VideoSAM 보다 더 좋은 성능 (IoU 0.56) 을 보였습니다. 이는 VideoSAM 이 복잡한 구조에 최적화되어 단순한 경우 과적합 (Overfitting) 경향을 보일 수 있음을 시사합니다.
• 물리량 측정 정확도:
  • U-Net 과 VideoSAM 은 기존 임계값 (Thresholding) 기법보다 건조 면적 비율과 접촉선 밀도를 더 정확하게 측정했습니다. 특히 작은 기포가 밀집된 영역에서 임계값 기법이 놓치는 세부 사항을 U-Net 기반 모델이 잘 포착했습니다.
  • 전문가가 수동으로 주석한 Ground Truth 와 비교했을 때, U-Net 은 건조 면적에서 2% 미만, 접촉선 밀도에서 8% 미만의 오차를 보이며 높은 정확도를 입증했습니다.
• 불확실성 분석:
  • 둘레 (Perimeter) 측정의 불확실성이 면적 (Area) 측정보다 훨씬 높게 나타났으며, 특히 질소 (LN2) 데이터에서 경계 불규칙성으로 인해 오차가 컸습니다.
  • 팽창 (Dilation) 처리를 적용하면 둘레 측정의 상대 오차 (PRE) 가 13.8% 에서 6.6% 로 크게 감소하는 것을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 고속 비디오 상변화 (PD) 분할 분야에서 다음과 같은 중요한 의의를 가집니다:

• 정밀한 열전달 분석: 기존 방법론이 놓치던 미세 기포와 접촉선 정보를 정밀하게 추출함으로써, 핵비등 (CHF) 및 열전달 성능 예측의 정확도를 높였습니다.
• 자율 실험의 기반: 신뢰할 수 있는 불확실성 정량화와 함께 오픈 소스 데이터셋 및 모델을 제공함으로써, 보일링 실험의 자동화 및 실시간 모니터링 시스템 구축에 기여합니다.
• 과학적 AI 의 확장: 비전 파운데이션 모델 (SAM) 이 자연 이미지뿐만 아니라 복잡한 물리 현상 분석에도 적용 가능함을 입증하여, 과학적 컴퓨팅과 컴퓨터 비전의 융합을 촉진했습니다.

결론적으로, MSEG-VCUQ는 다양한 실험 조건과 유체에 적용 가능한 강력하고 확장 가능한 분할 프레임워크를 제공하며, 보일링 동역학 연구의 새로운 표준을 제시합니다.