🔬 optics

Single-shot incoherent imaging with extended and engineered field of view using coded phase apertures

본 논문은 배율을 저하시키지 않으면서도 확장되고 설계된 시야를 구현하기 위해, 부호화된 위상 마스크를 사용하여 여러 개의 격리된 물체 영역을 카메라의 제한된 센서 영역으로 다중화하는 새로운 단일 샷 비간섭 이미징 기법을 제안하고 검증한다.

원저자: Sai Deepika Sure, Jawahar Prabhakar Desai, Joseph Rosen

게시일 2026-02-06

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sai Deepika Sure, Jawahar Prabhakar Desai, Joseph Rosen

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

고배율로 아주 미세한 디테일까지 선명하게 볼 수 있는 고성능 카메라 렌즈가 있다고 상상해 보세요. 하지만 카메라의 '눈'(센서)이 작기 때문에, 한 번에 아주 좁은 구역만을 볼 수 있습니다. 만약 넓은 장면을 보려고 한다면, 마치 빨대를 통해 거대한 산을 보려는 것처럼 가장자리가 잘려 나가게 됩니다.

보통 더 넓게 보기 위해서는 더 큰 카메라 센서를 사용하거나(비용이 많이 듭니다), 특수한 광각 렌즈를 사용해야 합니다(하지만 이 경우 가장자리가 왜곡되거나 흐릿해집니다). 이 논문은 렌즈를 바꾸거나 더 큰 카메라를 구입하지 않고도 훨씬 더 넓은 영역을 볼 수 있는 영리한 기술을 소개합니다.

연구진이 수행한 방식은 다음과 같습니다. 이해를 돕기 위해 쉬운 비유를 들어 설명하겠습니다.

1. 문제점: "터널 시야" 카메라

카메라 센서를 작은 창문이라고 생각해 보세요. 만약 당신이 들판에 멀리 떨어져 서 있는 세 명의 친구를 보고 있다면, 당신의 창문은 가운데에 있는 친구 한 명만 볼 수 있을 정도로 작을 수 있습니다. 나머지 두 친구는 창문 바깥쪽의 "사각지대"에 서 있게 됩니다. 보통의 경우, 당신은 그들을 볼 수 없습니다.

2. 해결책: "마법의 코드" 마스크

연구진은 렌즈 앞에 특별하고 투명한 "코드"(부호화된 위상 마스크/Coded Phase Mask라고 불림)를 배치했습니다. 이 마스크는 빛을 단순히 굴절시키는 것이 아니라, 매우 특정한 계획된 패턴으로 산란시키는 투명한 유리로 된 프리즘과 같다고 생각하면 됩니다.

멀티플렉싱(다중화) 기술: 이 마스크는 사실 여러 개의 서로 다른 "산란 패턴"이 하나로 결합된 형태입니다.
효과: 창문 밖에 서 있는 친구로부터 오는 빛이 이 마스크에 닿으면, 마스크는 그 이미지가 사라지도록 내버려 두지 않습니다. 대신, 마스크는 그 "놓쳐버린" 친구의 모습을 여러 개의 작은 복제본(희소한 점 패턴 형태)으로 만들어, 바로 당신의 작은 창문 안으로 투영합니다.

3. 결과: 점들의 퍼즐

카메라가 사진을 찍을 때, 선명하고 넓은 이미지를 보는 것이 아닙니다. 대신, 흩어진 점들의 기묘한 모습이 보이게 됩니다.

가운데에 있는 친구는 정상적인 점 패턴으로 보입니다.
"창문 밖"에 있던 친구는 센서의 특정 위치로 이동된, 다른 점 패턴으로 나타납니다.
반대편에 있는 친구는 세 번째 고유한 점 패턴으로 나타납니다.

이는 넓은 장면의 모든 조각이 아주 작은 파편들로 부서져서 작은 테이블 위에 재배치된 퍼즐을 보는 것과 같습니다.

4. 재구성: 컴퓨터 "디코더"

카메라는 오직 이렇게 흩어진 점들만을 기록했기 때문에, 결과 이미지는 사람의 눈에는 쓸모없어 보일 수 있습니다. 하지만 컴퓨터는 그 "비밀 코드"(마스크의 정확한 패턴)를 알고 있습니다.

연구진은 **디컨볼루션(deconvolution, 역합성)**이라 불리는 수학적 과정을 사용합니다. 이것은 일종의 초스마트 퍼즐 해결사라고 생각하면 됩니다.

컴퓨터는 마스크가 빛을 어떻게 산란시켰는지 정확히 알고 있습니다.
컴퓨터는 작은 센서에 기록된 흩어진 점들을 가져옵니다.
컴퓨터는 수학적으로 이 점들을 "풀어서", 흩어진 점들을 원래의 위치로 되돌려 놓습니다.
마법 같은 결과: 갑자기, 컴퓨터는 세 명의 친구가 모두 제 자리에 있고, 원래의 확대된 렌즈와 동일한 선명도를 가진 전체의 넓은 이미지를 재구성해 냅니다.

5. 실험

연구팀은 두 가지 방식으로 테스트를 진행했습니다.

두 명의 친구: 카메라가 한 번에 볼 수 없을 정도로 멀리 떨어진 두 물체를 보기 위해 시스템을 설정했습니다. 마스크를 사용하여 두 번째 물체를 시야 안으로 성공적으로 "가져왔고", 전체 장면을 재구성했습니다.
세 명의 친구: 동일한 방식으로 세 개의 물체를 대상으로 실험하여, 시스템이 더 많은 "놓친 영역"도 처리할 수 있음을 증명했습니다.

또한 그들은 몇 개의 "점"(산란 지점)이 가장 적절한지도 테스트했습니다. 그들은 특정 개수의 점(예: 7개 또는 8개)을 가질 때 최종 이미지가 가장 선명하고 노이즈가 적다는 것을 발견했습니다.

핵심 요약

이 논문은 **시야(Field of View)를 설계(engineering)**하는 방법을 보여줍니다. 카메라를 물리적으로 움직이거나 더 큰 센서를 사용하는 대신, 코드로 된 마스크를 사용하여 넓은 장면을 점 패턴의 형태로 작은 센서 안에 "축소"시킨 뒤, 수학을 이용해 이를 다시 "확장"하는 방식입니다.

논문의 주요 특징:

단일 촬영(Single Shot): 사진을 한 번만 찍으면 됩니다. 카메라를 움직이거나 여러 장의 사진을 찍어 이어 붙일 필요가 없습니다.
배율 손실 없음: 확대된 렌즈의 미세한 디테일을 유지하면서도 넓은 시야를 얻을 수 있습니다.
노이즈와의 트레이드오프(Trade-off): 한 번에 더 많은 영역을 포착하려고 할수록 최종 이미지에 "노이즈"(정전기적 잡음)가 더 많이 발생하므로, 동시에 볼 수 있는 "친구"의 수에는 한계가 있습니다.

요حص, 그들은 코드를 사용하여 빛을 산란시키고 컴퓨터를 사용하여 조각들을 다시 맞춤으로써, 작은 카메라 창을 광각 렌즈로 탈바 most 한 것입니다.

기술 요약: 코디드 위상 개구부(Coded Phase Apertures)를 이용한 확장 및 설계된 시야를 갖는 단일 샷 비간섭 이미징

문제 제기
광학 이미징 시스템, 특히 고배율을 요구하는 시스템은 카메라 센서의 유한한 크기로 인해 제한된 시야(FOV)에 의해 자주 제약을 받는다. 시야를 확장하기 위한 전통적인 해결책인 어안 렌즈, 파노라마 스티칭 또는 다중 센서 어레이 등은 심각한 주변부 왜곡, 시스템 크기 및 복잡성 증가, 비용 상승, 그리고 다중 노출 또는 기계적 스캐닝의 필요성과 같은 상당한 단점을 초래한다. 푸리에 프티코그래피(Fourier ptychography)와 같은 계산 이미잉 기술은 개선을 제공하지만, 종종 반복적인 재구성 및 다중 프레임을 요구하여 실시간 적용성을 제한한다. 본 연구는 센서 크기가 주요 제약 조건인 컴팩트한 플랫폼을 구체적으로 대상으로 하여, 배율을 저하시키거나 다중 노출을 요구하지 않고도 단일 광학 시스템의 시야를 확장하는 과제를 다룬다.

방법론
제안된 기술은 시야를 설계하기 위해 비간섭 이미징 시스템에 통합된 코디드 위상 마스크(Cated Phase Mask, CPM)를 활용한다. 핵심 개념은 첫 번째 렌즈(L1) 앞에 CPM을 도입함으로써 카메라 센서에 물체 응답 패턴(Object Response Pattern, ORP)을 기록하는 것이다. CPM은 $N$ 개의 구별되는 산란 위상으로 구성된 다중화된 마스크이며, 여기서 $N-1$ 은 시스템의 고유 한계를 넘어 시야에 가져올 격리된 물체 영역의 수를 나타낸다.

광학 설정: 시스템은 물체 평면, 디프랙티브 렌즈(L1)와 결로 결합된 CPM, 두 번째 렌즈(L2), 그리고 카메라로 구성된다. 이미징 조건은 물체와 이미지 센서 평면 사이에서 충족된다.
CPM 설계: $N$ 개의 각 산란 위상은 수정된 Gerchberg–Saxton 알고리즘(GSA)을 사용하여 합성된다. 각 위상은 해당 물체 영역에 위치한 점원(point source)에 대해 푸리에 평면(카메라 센서)에서 고유하고 희소한 점 패턴(점 확산 함수 또는 PSF)을 생성하도록 설계되었다. 결정적으로, 위상들은 물체의 점이 시스템의 자연스러운 시야 외부에 있더라도 그 응답이 카메라의 감지 영역으로 이동되도록 설계되었다.
다중화(Multiplexing): 공간 광 변조기(Spatial Light Modulator, SLM)에 여러 위상을 동시에 표시하기 위해, 저자들은 공간 다중화 기술을 사용한다. 무작위 이진 행렬을 $N$ 개의 섹션으로 나누고, 각 섹션이 그에 상응하는 CPM 위상을 선택하게 한다. 이들은 하나의 다중화된 위상 마스크를 생성하기 위해 합산되며, 이는 디프랙티브 렌즈의 위상과 결합된다.
재구성: 카메라는 물체 응답의 중첩을 기록한다. 원래의 물체 평면을 재구성하기 위해, 기록된 ORP는 확대된 물체 평면의 크기로 제로 패딩(zero-padding)된다. 시스템의 PSF들 또한 제로 패딩되어 커다란 행렬 내의 각자의 위치로 이동된다. 최종 이미지는 제로 패딩된 ORP를 이동된 PSF들의 합으로 단일 단계의 위너 디컨볼루션(Wiener deconvolution)을 통해 회복한다.

주요 기여

배율 손실 없는 FOV 엔지니어링: 본 연구는 시스템의 배율을 변경하지 않고 단일 센서 상에 $N$ 개의 구별되는 물체 영역을 동시에 캡처하는 방법을 입증한다.
단일 샷 동작: 스캐닝 기반 또는 다중 프레임 방식의 계산적 방법과 달리, 이 접근 방식은 단일 노출로 확장된 FOV를 캡처하여 동적인 장면에도 적합하다.
다중화된 위상 마스크 합성: 본 논문은 여러 물체 영역을 분리하고 재구성할 수 있는 고유하고 희소한 PSF를 생성하기 위해 단일 SLM 상에 $N$ 개의 산별 위상을 합성하고 다중화하는 구체적인 방법을 상세히 설명한다.
실험적 검증: 본 방법은 $N=2$ 및 $N=3$ 물체 영역에 대해 시뮬레이션과 물리적 실험(USAF 1951 타겟 활용)을 통해 검증되었다.

결과

시뮬레이션: $500 \times 500$ 픽셀의 카메라 센서 크기와 $1080 \times 1080$ 픽셀의 물체 평면에 대해 $N=3$ 인 물체를 대상으로 MATLAB 시뮬레이션이 수행되었다. 연구는 PSF 내의 희소한 점 개수( $K$ ) 변화에 따른 신호 대 잡음비(SNR)를 평가하였다. 결과는 $K=11$ 개의 점을 가진 PSF가 가장 높은 SNR을 나타냄을 보여주었다.
실험 ( $N=2$ ): 두 개의 별도 조명 채널을 사용하여 시스템은 두 개의 물체를 성공적으로 이미징하였으며, 그 중 하나는 자연 시야 외부에 있었다. SNR, 구조적 유사도 지표(SSIM), 평균 제곱 오차(MSE) 등의 지표가 분석되었다. 최적의 성능은 $K=8$ 개의 점을 사용할 때 달성되었으며, 가장 좋은 SSIM과 가장 낮은 MSE를 제공하였다.
실험 ( $N=3$ ): 단일 채널 설정에서 세 개의 물체가 이미징되었다. 직접 이미징을 통해 중앙의 물체만을 보여주도록 시뮬레이션하기 위해 FOV가 계산적으로 제한되었다. CPM을 통해 세 개의 물체가 모두 회복되었다. 최적의 희소 패턴은 최대 SNR, 최소 MSE 및 최고 SSIM을 제공하는 $K=7$ 개의 점인 것으로 밝혀졌다.
노이즈 분석: 저자들은 재구성 과정이 서로 다른 물체 응답 간의 교차 디컨볼루션( $ORP_m$ 과 $PS^{n}_{m \neq n}$ ) 및 내부 디컨볼루션의 사이드 로브(side lobes)로부터 발생하는 배경 노이즈를 유발한다고 언급한다.

의의 및 주장
본 논문은 이 CPM 기반 다중화 접근 방식이 기존의 FOV 확장 기술과 비교하여 컴팩트함, 효율성 및 단일 샷 동작 측면에서 뚜렷한 균형을 제공한다고 주장한다. 이 방법은 기계적 스캐닝 없이 단일 샷으로 여러 물체 영역을 재구성할 수 있게 하며, 시스템의 고유 배율과 해상도를 보존한다고 단언한다. 재구성은 단일 디컨볼루션 단계에 의존하는 효율적이고 비반복적인 방식으로 설명된다.

저자들은 다중화되는 영역의 수가 시스템 구경(aperture)에 의해 제한되어, 다중화 차수가 증가함에 따라 SNR 트레이드오프가 발생한다는 점을 포함한 한계점을 인정한다. 또한 교차 디컨볼루션 노이즈를 주요 저하 원인으로 식별하였으며, 향-연구에서는 시간적 해상도를 희생하더라도 이 노이즈를 제거하기 위한 시계열 다중화(time-multiplexing) 방법을 조사할 것이라고 밝혔다. 본 연구는 이 작업이 I-COACH(Interferenceless Coded Aperture Correlation Holography) 프레임워크의 확장임을 입증하며, 센서의 물리적 치수를 넘어 이미징 한계를 확장할 수 있는 능력을 보여준다.