기술 요약: 상태 공간 모델을 이용한 합성 개구면 레이더의 온라인 초점 맞추기 학습

1. 문제 제기

기존의 합성 개구면 레이더 (SAR) 영상 형성은 전체 합성 개구면을 버퍼링한 후 초점이 맞춰진 영상을 생성하는 블록 처리 파이프라인 (예: 거리 - 도플러 알고리즘, 역투영) 에 의존합니다. 배치 처리에는 효율적이지만, 이러한 방법들은 상당한 지연 시간과 높은 메모리 사용량을 초래하여 폐루프 인지형 SAR(CSAR) 시스템의 실현을 방해합니다. CSAR 맥락에서 레이더는 관측된 환경으로부터의 피드백에 기반하여 빔 조향, 파형, 펄스 반복 주파수 (PRF) 등의 매개변수를 적응적으로 조정해야 합니다. 그러나 전통적인 초점 맞추기 방식에 내재된 지연 시간으로 인해 데이터 수집 중 실시간 의사결정이 불가능합니다. 기존 SAR 을 위한 머신러닝 접근법은 일반적으로 전체 어레이 또는 패치에 대해 오프라인으로 작동하며, 스트리밍 및 줄 단위 추론의 필요성을 해결하지 못합니다.

2. 방법론

저자들은 선형 합성 개구면 가정 하에 SAR 영상 형성을 온라인 추론 문제로 재정의하는 온라인 SAR 프로세서 (OSP) 프레임워크를 제안합니다.

2.1 핵심 아키텍처

OSP 는 SAR 감지를 스트림으로 간주하여 수집 중에 초점이 맞춰진 영상 출력을 거리 라인별로 (거리 셀별로) 생성합니다.

• 상태 공간 모델 (SSM): OSP 의 핵심은 컴팩트한 인과적 상태 공간 대리 모델입니다. 전체 방위각 개구면을 버퍼링하고 고속 푸리에 변환 (FFT) 을 수행하는 대신, OSP 는 각 거리 셀에 대해 고정 크기의 순환 은닉 상태를 유지합니다.
• 순환 공식화: 펄스 $k$에서 거리 셀 $r$에 대해, 모델은 현재 복소 샘플 $z_{k,r}$과 거리 - 위치 특징 $p_r$에 기반하여 은닉 상태 $s_{k,r}$을 업데이트합니다:
  $$s_{k+1,r} = g_\theta(s_{k,r}, z_{k,r}, p_r)$$
  $$\hat{x}_{k,r} = h_\theta(s_{k+1,r})$$
  여기서 $g_\theta$와 $h_\theta$는 모든 거리 셀에 걸쳐 공유되는 매개변수입니다. 이를 통해 모델은 개구면 길이와 무관한 메모리 사용량으로 전체 라인을 처리할 수 있습니다.
• 모델 크기: 배포 가능한 스튜던트 모델은 매우 컴팩트하여 학습 가능한 매개변수가 208 개뿐입니다 (은닉 차원 8 의 4 개 S4D 레이어 사용).

2.2 훈련 전략: 교사 - 학생 증류

이러한 작은 모델을 효과적으로 훈련시키기 위해 저자들은 다단계 지식 증류 접근법을 사용합니다:

1. 교사 최적화: 더 높은 용량의 "교사" 모델 (4 개 레이어, 은닉 차원 512) 이 특수한 **방위각 초점 맞추기 손실 ($L_{AF}$)**을 사용하여 훈련됩니다. 이 손실은 점별 재구성과 물리 제약 항을 결합하며, 다음을 포함합니다:
   • 복소 데이터 충실도 ($L_{complex}$).
   • 동적 범위를 처리하기 위한 로그 - 진폭 재구성 ($L_{log\ amp}$).
   • 응답 형태를 일치시키기 위한 진폭 상관관계 ($L_{amp-corr}$).
   • 희귀한 고강도 산란자를 위한 꼬리 매칭 ($L_{tail}$).
   • 구조적 선명도와 스펙트럼 내용을 보존하기 위한 기울기, 전력 스펙트럼 밀도 (PSD), 초점 폭, 및 에지 항.
2. 학생 증류: 컴팩트한 스튜던트 모델은 고정된 교사의 부드러운 복소수 응답과 실제 초점이 맞춰진 표적을 모두 재현하도록 훈련됩니다. 학생 손실은 실제 $L_{AF}$와 복소 크기, 로그 - 진폭, 상관관계, 위상의 불일치를 패널티로 부과하는 증류 항 $D(\hat{z}_S, \hat{z}_T)$을 결합합니다.

2.3 데이터셋 및 평가

이 방법은 Sentinel-1 에서 파생된 Maya4 데이터셋의 300GB SAR 데이터로 평가되었으며, 원시 데이터, 거리 압축 데이터, 거리 셀 이동 보정 (RCMC) 데이터, 그리고 방위각 압축 제품을 포함합니다. 평가는 OSP 를 표준 배치식 RDA 및 라인들을 순차적으로 처리하기 위해 히스토리 창을 버퍼링하는 "라인 단위" RDA 와 비교했습니다.

3. 주요 기여

1. 공식화: 인과적 상태 공간 순환을 사용하여 SAR 방위각 초점 맞추기를 온라인 추론 문제로 재정의.
2. OSP 프레임워크: 고정된 메모리 사용량과 전체 개구면 버퍼링 없이 줄 단위 초점 맞추기가 가능한 최초의 온라인 SAR 프로세서 도입.
3. 손실 함수: 복소 충실도, 방사 측정 구조, 및 스펙트럼 특성을 균형 있게 조절하는 물리 제약 방위각 초점 맞추기 손실 정의.
4. 증류 파이프라인: 다단계 최적화된 교사로부터의 증류를 통해 소규모 모델 (매개변수 208 개) 이 고충실도 초점 맞추기를 근사할 수 있음을 입증.
5. 하류 개념 증명: OSP 출력물이 CFAR 기반 선박 탐지 및 홍수 분할과 같은 저지연 의사결정 지원에 유용함을 검증.

4. 결과

• 지연 시간: OSP 는 라인 단위 디지털 신호 처리 (DSP) 기준 대비 약 70 배 낮은 지연 시간을 달성합니다. 단일 AMD CPU 코어에서 OSP 는 16ms에 한 개의 거리 라인을 처리합니다.
• 메모리: 이 방법은 메모리 사용량을 130 배 줄여, 라인 단위 RDA 의 780MB 및 배치식 RDA 의 16GB 와 비교하여 행당 6MB의 사용량만 요구합니다.
• 초점 맞추기 품질:
  • 증류된 스튜던트 모델은 하류 작업을 지원할 만큼 충분한 초점 맞추기 품질을 유지합니다.
  • 정량적으로, 스튜던트는 교사 대비 RMSE 가 2.16% 증가하고 진폭 상관관계가 55.3% 감소했습니다.
  • 정성적으로, 스튜던트는 농경지, 해안 구조물 등 거친 초점 배치와 주요 장면 형태를 복원하지만, 교사나 전통적인 DSP 에 비해 구조적 충실도는 낮고 줄무늬 아티팩트가 더 강하게 나타납니다.
• 하류 성능: OSP 출력물은 다음을 성공적으로 가능하게 했습니다:
  • 선박 탐지: 브라질 산토스 항만에서 라인 단위 상수 오탐지율 (CFAR) 탐지기를 사용.
  • 홍수 매핑: 상파울루 주변의 수역에 대한 고정 임계값 분할.

5. 중요성 및 주장

이 논문은 방위각 초점 맞추기 연산자의 상당 부분이 컴팩트한 인과적 동적 시스템으로 표현될 수 있다고 주장합니다. 이를 통해 지연 시간과 메모리가 극적으로 감소하여 잠재적인 CSAR 응용 분야에서 신속한 센서 재작업이 가능해집니다.

저자들은 현재 기술 상태에 대해 겸손하게 다음과 같이 언급합니다:

• 범위: 현재 공식화는 선형 합성 개구면 (스트립맵 수집, 측면 기하학, 적당한 각도 범위) 을 가정하며, 방위각 작업을 잘 조건화하는 전단 전처리에 의존합니다. 이는 광각 사격, 스포트라이트, 또는 심한 운동 왜곡이 있는 수집에 대한 바로 교체 가능한 솔루션이 아닙니다.
• 충실도: 스튜던트 모델은 "대략적인 진폭 기반 응용에는 충분하지만" 간섭계와 같은 정확한 위상이나 보정된 복소수 출력이 필요한 작업에는 아직 신뢰할 수 없습니다.
• 운영적 역할: OSP 는 전체 운영 체인 내의 **신속한 분류 (triage)**를 위한 구성 요소로 제시되며, 더 느리고 고충실도인 오프라인 방법이 아카이브용 출력을 생성하는 동안 하류 모듈이 전체 개구면 수집 전에 작동을 시작할 수 있게 합니다.

이 연구는 온라인 초점 맞추기가 단순한 무차별 함수 근사 문제가 아니라 구조적으로 제약된 연산자 학습 문제임을 보여주며, 여기서 정규화와 손실 균형이 raw 모델 용량보다 더 중요합니다.