Principal Component Analysis-Based Terahertz Self-Supervised Denoising and Deblurring Deep Neural Networks

이 논문은 테라헤르츠 이미지의 저주파 블러링과 고주파 노이즈를 동시에 제거하기 위해 주성분 분석 (PCA) 과 재손상 - 재손상 (Recorrupted-to-Recorrupted) 자기지도 학습 전략을 활용한 THz-SSDD 심층 신경망을 제안하고, 라벨 없는 소량의 데이터로만 훈련하여 다양한 샘플에서 효과적으로 작동함을 입증합니다.

핵심

1. 문제 상황: "안개 낀 창문과 먼지"

테라헤르츠 기술은 물체 내부 (예: 비행기 날개나 나무, 플라스틱) 를 비추어 결함을 찾아내는 '초능력 눈' 같은 역할을 합니다. 하지만 이 기술에는 두 가지 치명적인 약점이 있습니다.

• **저주파수 **(낮은 소리) 마치 안개 낀 창문처럼 물체의 윤곽이 흐릿하게 보입니다. (블러링)
• **고주파수 **(높은 소리) 마치 TV 화면에 낀 정전기나 먼지처럼 화면이 찌글찌글 거립니다. (노이즈)

기존의 기술들은 이 두 문제를 따로따로 해결하려 했습니다. 안개는 닦아주고, 먼지는 털어내는 식인데, "어디가 안개이고 어디가 먼지인지"를 사람이 일일이 손으로 구분해 주어야만 했습니다. 이는 매우 번거롭고 정확하지 않았습니다.

2. 해결책: "스스로 배우는 AI 청소부 (THz-SSDD)"

저자들은 이 문제를 해결하기 위해 **PCA 기반의 테라헤르츠 자기지도 학습 **(THz-SSDD)이라는 새로운 AI 를 개발했습니다. 이 기술은 세 가지 마법 같은 단계를 거칩니다.

① 마법의 안경: PCA (주성분 분석)

먼저 흐릿하고 더러운 이미지를 **주성분 분석 **(PCA)이라는 '마법의 안경'을 통해 분해합니다.

• 비유: 복잡한 그림을 그릴 때, 가장 중요한 뼈대 (주성분) 만 5 개 정도 뽑아내는 것과 같습니다. 나머지 잡다한 세부 사항은 버리거나 나중에 다시 합칩니다. 이렇게 하면 AI 가 처리해야 할 데이터가 훨씬 깔끔해집니다.

② 스스로 배우는 청소부: R2R 전략

이제 AI 가 이미지를 청소합니다. 여기서 가장 놀라운 점은 **정답 **(깨끗한 이미지)라는 것입니다.

• 비유: AI 가 "이게 원래 깨끗한 사진이야"라고 알려주는 정답지 없이, **"이 사진에 다시 먼지를 뿌려봐. 그럼 원래 사진이 어땠을지 추론해봐"**라는 게임을 반복하며 스스로 학습합니다.
• 이 과정을 **R2R **(Re-corrupted-to-Re-corrupted)이라고 하는데, AI 가 스스로 노이즈의 패턴을 파악하여 "이건 노이즈니까 지워야지, 이건 실제 물체니까 남겨야지"를 스스로 배웁니다.

③ 다시 조립하기

AI 가 5 개의 중요한 뼈대 (주성분) 를 깨끗하게 닦아낸 뒤, 다시 원래의 3D 이미지로 조립합니다. 그 결과, 안개는 걷히고 먼지는 사라진 선명한 이미지가 나옵니다.

3. 실전 테스트: 다양한 재료에서의 활약

이 기술은 실험실에서만 작동하는 게 아니라, 실제 다양한 재료에서도 훌륭하게 작동했습니다.

• **유리섬유 강화 플라스틱 **(GFRP) 훈련용 재료로 사용되었습니다. AI 는 이 재료만 보고도 다른 물체를 볼 수 있는 능력을 배웠습니다.
• **불에 탄 나무 **(Pyrolyzed woods) 나무가 타서 검은색으로 변한 상태에서도 내부의 구멍을 찾아냈습니다.
• **늘어난 플라스틱 **(HDPE) 플라스틱이 늘어나서 변형된 부분도 정확히 찾아냈습니다.
• **충격을 받은 복합재 **(Hybrid composites) 여러 재료가 섞인 복합재에 충격을 가했을 때, 섬유 무늬가 방해가 되어 보이지 않던 충격 흔적까지 찾아냈습니다.

4. 결론: "왜 이 기술이 중요한가?"

기존의 방법들은 사람이 일일이 "여기는 안개니까 닦고, 저기는 먼지니까 털어라"라고 지시해야 했지만, 이 새로운 AI 는 스스로 "어디가 노이즈고 어디가 신호인지"를 구분하여 한 번에 해결합니다.

• 장점: 별도의 정답 데이터가 필요 없어 (자기지도 학습), 비용과 시간을 절약할 수 있습니다.
• 효과: 물체의 원래 모양을 해치지 않으면서 (신호 왜곡 최소화), 흐릿한 부분과 거친 부분을 동시에 정리해 줍니다.

한 줄 요약:

이 기술은 테라헤르츠 이미지의 '안개'와 '먼지'를 사람이 개입하지 않고 AI 가 스스로 찾아내어 한 번에 닦아주는, 스스로 배우는 초능력의 이미지 청소부입니다.

기술 요약

제시된 논문 "Principal Component Analysis-Based Terahertz Self-Supervised Denoising and Deblurring Deep Neural Networks"에 대한 상세한 기술 요약은 다음과 같습니다.

1. 연구 배경 및 문제 정의 (Problem)

• 테라헤르츠 (THz) 이미징의 한계: 테라헤르츠 파는 비이온화, 비파괴, 높은 투과율 등의 장점이 있어 산업 분야에서의 물질 식별에 유망하지만, 시스템 설계 및 샘플 특성으로 인해 이미지에 심각한 열화가 발생합니다.
• 주요 열화 요인:
  • 저주파수 영역: 시스템의 빔 모양, 초점 광학, 산란 등으로 인한 블러링 (Blurring) 현상 발생.
  • 고주파수 영역: 안테나 유도 노이즈, 신호 의존성 포아송 노이즈, 열 노이즈 등으로 인한 고주파수 노이즈 발생.
• 기존 방법의 부족: 기존의 이미지 처리 기법들은 노이즈 제거 (Denoising) 와 블러 제거 (Deblurring) 를 동시에 해결하지 못하며, 두 작업의 경계가 불명확하여 수동 개입이 필요한 경우가 많습니다. 또한, 기존 딥러닝 기반 방법들은 대부분 지도 학습 (Supervised Learning) 을 사용하여 깨끗한 레이블 데이터가 필요하거나, 노이즈 제거와 블러 제거를 별도의 네트워크로 처리하는 등 한계가 있었습니다.

2. 제안된 방법론 (Methodology)

저자들은 **PCA 기반 테라헤르츠 자기지도학습 (Self-Supervised) 노이즈 제거 및 블러 제거 심층 신경망 (THz-SSDD)**을 제안했습니다. 주요 구성 요소는 다음과 같습니다.

• 자기지도학습 전략 (Recorrupted-to-Recorrupted, R2R):
  • 깨끗한 레이블 데이터 없이도 학습이 가능하도록 '재손상 (Recorrupted)'에서 '재손상'으로 가는 학습 전략을 사용합니다.
  • 입력된 노이즈 이미지에 추가적인 노이즈를 인위적으로 생성하여 쌍 (Pair) 을 만들고, 이 쌍 간의 불변성을 학습하여 본질적인 노이즈 특성을 포착합니다.
• 이중 U-Net 구조:
  • 하나의 네트워크가 아닌 두 개의 U-Net 을 설계하여 하나는 노이즈 제거, 다른 하나는 컨볼루션 역산 (Deconvolution/Deblurring) 을 담당하게 합니다.
  • 손실 함수 (Loss Function) 는 픽셀 단위 자기지도 손실, PSF(점확산함수) 기반 블러 역산 손실, 그리고 인위적 고주파수 아티팩트를 억제하는 정규화 항으로 구성됩니다.
• 주성분 분석 (PCA) 기반 이미지 복원:
  • 단일 이미지 처리 알고리즘만으로는 저주파 블러와 고주파 노이즈를 동시에 해결하기 어렵다는 점을 고려하여 PCA 를 도입했습니다.
  • 프로세스:
    1. THz 스펙트럼 이미지를 주파수 영역으로 변환.
    2. PCA 를 수행하여 주성분 (Principal Components, PC) 추출.
    3. 상위 5 개의 주성분 (총 분산의 95~99% 설명) 만 선택하여 THz-SSDD 네트워크로 입력.
    4. 네트워크를 통해 각 주성분에 대해 노이즈 제거 및 블러 제거 수행.
    5. 처리된 주성분들을 다시 재구성 (Reconstruction) 하여 최종 이미지 생성.
• 점확산함수 (PSF) 모델링:
  • 회절 한계 가우스 빔 모델을 기반으로 이론적으로 PSF 를 생성하여 네트워크 학습 시 입력합니다.

3. 주요 기여 (Key Contributions)

1. 동시 처리: 테라헤르츠 시간영역 분광법 (THz-TDS) 에서 최초로 단일 알고리즘/네트워크를 사용하여 저주파수 블러링과 고주파수 노이즈를 동시에 해결했습니다.
2. 데이터 효율성: 지도 학습에 필요한 깨끗한 레이블 데이터 없이, 소수의 레이블 없는 노이즈 이미지 (보정판) 만으로 학습이 가능합니다.
3. 범용성 (Generalization): 학습에 사용된 샘플 (GFRP) 과는 완전히 다른 재료 (목재, HDPE, 하이브리드 복합재) 와 측정 모드 (반사 모드 vs 투과 모드) 에서도 우수한 성능을 입증했습니다.
4. 물리적 특성 보존: 이미지 품질 향상뿐만 아니라, 원본 신호의 물리적 특성 (진폭, 추세) 을 보존하는 것을 목표로 하여 비파괴 검사 (NDT) 에 적합한 결과를 제공합니다.

4. 실험 결과 (Results)

• 학습 데이터: GFRP (유리섬유 강화 플라스틱) 판에 6 개의 구멍이 있는 샘플을 사용하여 자기지도 학습을 수행했습니다.
• 테스트 샘플 및 성능:
  • GFRP: 학습 데이터에서 노이즈가 효과적으로 제거되고 결함 경계가 선명해짐을 확인 (PSNR 향상).
  • 목재 (Pyrolyzed Woods): 다양한 온도에서 열변형된 목재 샘플에서 저/고주파수 열화가 모두 개선됨.
  • HDPE (고밀도 폴리에틸렌): 인장 시험 후 변형 및 목 (Necking) 상태의 샘플에서 배경 노이즈가 억제되고 세부 사항이 복원됨.
  • 하이브리드 복합재 (Basalt/Flax): 다양한 충격 에너지를 가한 복합재에서 섬유 패턴과 충격 손상 영역이 명확히 구분됨. 특히 30J 충격 시 0.57 및 0.81 THz 대역에서 기존 이미지에서는 섬유 패턴에 가려졌던 충격 손상이 명확히 복원됨.
• 정량적 평가:
  • PSNR (Peak Signal-to-Noise Ratio): 이미지 품질이 전반적으로 향상됨.
  • RSE (Relative Spectral Error): 원본 신호와 처리된 신호 간의 편차를 측정하여 신호 충실도를 확인. 대부분의 샘플에서 RSE 가 약 0.4 수준으로 유지되어 신호 왜곡이 최소화됨을 확인.

5. 의의 및 결론 (Significance)

이 연구는 테라헤르츠 비파괴 검사 분야에서 데이터 처리의 핵심 난제인 '블러링'과 '노이즈'를 동시에 해결할 수 있는 강력한 프레임워크를 제시했습니다.

• 실용성: 레이블 데이터 수집의 어려움과 수동 개입의 필요성을 제거하여 실제 산업 현장 적용성을 높였습니다.
• 신뢰성: 단순한 이미지 보정을 넘어, 원본 신호의 물리적 특성을 보존하여 정량적 분석 (두께 측정, 결함 크기 추정 등) 에 신뢰할 수 있는 데이터를 제공합니다.
• 확장성: 다양한 재료와 측정 환경에서 검증된 범용성으로 인해 향후 다양한 THz 응용 분야 (의료, 항공우주, 문화재 보존 등) 에 적용 가능한 기술로 평가됩니다.

요약하자면, 이 논문은 PCA 와 자기지도학습을 결합한 THz-SSDD 네트워크를 통해 테라헤르츠 이미지의 저주파 블러와 고주파 노이즈를 동시에 제거하면서도 원본 신호의 물리적 정보를 보존하는 혁신적인 솔루션을 제시했습니다.