Fundamental Recovery Bounds for SPAD Signals under Stationary Flux

기술 요약: 정적 플럭스 하에서의 SPAD 신호에 대한 근본적 회복 경계

문제 정의
단일 광자 아발란체 다이오드(SPAD) 어레이는 극도로 높은 민감도와 피코초 단위의 시간 해상도를 제공하여 형광 수명 이미징, LiDAR, 비가시선(non-line-of-sight) 이미징 등의 응용 분야를 가능하게 한다. 그러나 SPAD 데이터는 본질적으로 확률적이고 이산적이며, 연속적인 강도 샘플이 아닌 검출 이벤트(detection events)를 나타낸다. 따라서 깨끗한 이미지나 플럭스 맵을 이 데이터로부터 복원하는 것은 비선형 역문제(nonlinear inverse problem)에 해당한다.

현재의 수동형 SPAD 센서는 세 가지 뚜ട 다른 모드로 작동하며, 각 모드는 서로 다른 원시 신호 통계를 생성한다:

1. 프리 러닝 타임스탬프 (M1): 노출 창 내에서 발생하는 모든 검출 이벤트의 도착 시간을 기록한다.
2. 이진 빈 (M2): 노출을 시간 빈(bin)으로 나누어, 적어도 하나의 이벤트가 발생했는지 여부만을 단일 비트로 보고한다 (양자 이미지 센서 모드).
3. 타임스탬프가 포함된 빈 (M3): 대역폭이 제한된 모드로, 각 빈은 최대 하나의 이벤트와 해당 빈 내에서의 도착 시간을 보고한다.

이전의 분석 및 재구성 알고리즘(특히 확산 기반 방법)은 이러한 모드들을 개별적으로 취급해 왔다. 서로 다른 모드 간의 근본적인 회복 가능 한계치를 비교하거나, 각 모드의 특정 센서 통계에 적응하는 단일 재구성 알고리즘을 적용할 수 있는 통합된 프레임워크는 존재하지 않았다.

방법론
저자들은 우도 점수 함수(likelihood score function)(원시 데이터의 입사 플럭스에 대한 로그 우도의 그래디언트)를 중심으로 하는 통합된 접근 방식을 제안한다.

1. 점수 함수 및 경계 유도:

   • 저자들은 센서의 데드 타임($\tau_{dead}$)과 감지 창($\tau_{sense}$)을 고려하여 세 가지 수동 모드(M1, M2, M3)에 대한 우도 점수 함수를 제 기초로부터 유도한다.
   • 이 점수 함수들을 사용하여, 저자들은 불편 추정량(unbiased estimators)에 대한 **크라메르-라오 하한(Cramér–Rao Lower Bound, CRLB)**을 유도한다. 이는 각 모드에 대한 회복의 근본적인 한계를 설정한다.
   • 프레임워크는 학습된 사전 확률(prior)을 통합함으로써 **베이지안 크라메르-라오 하한(BCRLB)**으로 확장된다. 이는 스코어 기반 확산 모델(SBD)을 사용하여 이미지 사전 확률의 점수 함수($\nabla_x \log p(x)$)를 근사함으로써, 자연 이미지의 공간적 상관관계를 고려한 실질적인 회복 경계를 계산할 수 있게 한다.

2. 통합 재구성 알고리즘:

   • 저자들은 **확산 사후 샘플링(Diffusion Posterior Sampling, DPS)**을 SPAD 데이터에 맞게 조정한다. 이전 연구들이 이진 SPAD 데이터에 DPS를 적용했던 것과 달리, 본 연구는 전체 타임스탬프 케이스로 이를 확장한다.
   • 재구성 알고리즘(Algorithm 1)은 학습된 사전 점수(학습된 U-Net으로부터 추출)와 센서의 작동 모드(M1, M2, 또는 M3)에 해당하는 특정 우도 점수 함수를 결합하여 이미지 추정치를 반복적으로 정밀화한다.
   • 표준 확산 모델이 요구하는 $[-1, 1]$ 범위로 비음수(non-negative) 플럭스 도메인을 매핑하기 위한 도메인 적응 단계가 도입된다.

주요 기여

• 통합 통계 분석: 본 논문은 세 가지 주요 수동형 SPAD 작동 모드에 대한 우도 점수 함수와 근본적인 회복 경계(CRLB)에 대한 최초의 통합된 유도를 제공한다.
• 고플럭스 격차 식별: 분석 결과, 고광자 플럭스에서의 성능 차이를 보여주는 질적인 차이가 드러났다. **이진 빈(M2)**의 상대적 오차 경계는 플럭스가 증가함에 따라 (포화 현상으로 인해) 지수적으로 발산하는 반면, **타임스탬프 모드(M1 및 M3)**는 선형적으로만 저하된다. 이는 이벤트 시간을 등록하는 것이 단순한 점진적 이득이 아니라, 급격한 포화와 완만한 저하 사이의 근본적인 차이임을 입증한다.
• 확산 모델의 확장: 본 연구는 올바른 모드 일치 점수 함수를 유도하고 통합함으로써, 이진 데이터를 넘어 타임스탬프가 포함된 SPAD 데이터로 확산 사후 샘플링을 확장한다.
• 베이지안 경계 계산: 저자들은 훈련된 스코어 네트워크를 사용하여 경험적 BCRLBs를 계산하는 방법을 제시하며, 이는 자연 이미지 사전 확률을 포함하는 재구성 작업의 평균 제곱 오차(MSE)에 대한 이론적 하한을 제공한다.

결과

• 이론적 경계: CRLB의 수치적 플롯은 저플럭스에서는 모든 모드가 유사하게 동작함을 확인시켜 준다. 그러나 플럭스가 증가함에 따라 이진 모드(M2)는 추정 정확도에서 치명적인 손실을 겪는 반면, 타임스탬프 모드(M1, M3)는 선형적 오차 증가를 유지한다. M1(프리 러닝)이 가장 타이트한 경계를 제공하며, M3(타임스탬프 빈)가 그 뒤를 바짝 쫓는다.
• 시뮬레이션 성능: FFHQ 데이터셋을 사용한 시뮬레이션에서, 올바른 모드 일치 점수 함수를 사용하는 제안된 SBD 방법은 최대 우도(Maximum Likelihood, ML) 추정 및 미스매치된 SBD 접근 방식보다 유의미하게 우수한 성능을 보였다.
  • 중간 이벤트율에서, M1(프리 러닝 타임스탬프)을 사용하는 SBD가 가장 높은 PSNR(23 dB)과 SSIM(0.67)을 달s성했다.
  • M3(타임스탬프 빈)와 M2(이진 빈)를 사용하는 SBD는 서로 유사한 성능(22 dB PSNR)을 보였으나, 연속 타임스탬프 모드보다는 열등했다.
  • 결정적으로, 잘못된 점수 함수를 사용했을 때(예: 타임스탬프 데이터에 이진 점수를 적용) 재구성 품질이 저하되었다.
• 실제 데이터 시연: 본 방법은 회전하는 팬(M3 모드)과 터널 장면의 실제 SPAD 데이터에 대해 검증되었다. 올바른 M3 점수 함수를 사용한 재구성은 고충실도 이미지를 생성한 반면, 특정 빈닝 제약을 무시하는 이진(M2) 또는 프리 러닝(M1) 점수를 사용한 경우에는 아티팩트가 발생하거나 실패하였다.

의의 및 주장
본 논문은 단일 광자 센싱 회복을 위한 공통 기반을 구축한다고 주장한다. 이론적 한계와 실질적인 확산 기반 알고리즘을 모두 우도 점수 함수에 연결함으로써, 본 연구는 두 가지 핵심 질문에 답한다:

1. 무엇이 회복 가능한가? 통합된 CRLB 분석은 서로 다른 센서 모드에서의 근본적인 정보 손실을 정량화하며, 고플럭스 시나리오에서 타임스탬핑의 결정적 중요성을 강조한다.
2. 경계에 어떻게 접근할 것인가? 제안된 알고리즘은 재구성 점수 함수를 특정 센서 작동 모드에 맞추는 것이 고충실도 결과를 얻기 위해 필수적임을 보여준다.

저자들은 본 연구의 범위가 정적 플럭스를 가진 수동형 감지에 국한되며, 펄스 레이저 TCSPC와 같은 능동형 구성은 제외된다는 점을 명시한다. 또한, 제안된 통합 프레임워크가 재구성을 개선하기는 하지만, 성능은 궁극적으로 센서의 물리적 한계(데드 타임)와 학습된 이미지 사전 확률의 품질에 의해 제한된다는 점을 겸허히 밝힌다. 이 연구는 새로운 하드웨어를 제안하는 것이 아니라, 기존의 SPAD 어레이를 다양한 작동 모드에서 최대한 활용할 수 있도록 이론적, 알고리즘적 도구를 제공하는 데 목적이 있다.