Point Spread Function Engineering Using Implicit Neural Representations

기술 요약: 암시적 신경 표현(Implicit Neural Representations)을 이용한 점 확산 함수(PSF) 엔지니어링

문제 정의
동공 평면 변조(pupil plane modulation)를 통한 점 확산 함수(PSF) 엔지니어링은 깊이 인코딩(depth encoding) 또는 확장 초점 심도(EDOF)와 같이 특정 이미징 특성을 요구하는 첨단 현미경 응용 분야에서 매우 중요하다. 전통적인 설계 방식은 광범위한 도메인 지식과 작업별 기저 함수(예: 나선형 PSF를 위한 Laguerre–Gaussian 모드, EDOF를 위한 cubic phase plate, 또는 다초점 이미징을 위한 Fresnel/Walsh zone plate)에 크게 의존한다. 이러한 의존성은 적절한 기저를 사전에 선택하는 것 자체가 설계 문제의 상당 부분을 차지하게 만들어, 다양한 응용 분야로의 일반화를 어렵게 만든다.

대안적으로, PSF 엔고니어링을 위상 복원(phase retrieval) 문제(컴퓨터 생성 홀로그래피와 유사)로 취급하면 역설계(inverse design)가 가능하다. 그러나 기존의 픽셀 단위 최적화 방식은 다음과 같은 한계를 갖는다:

1. 정체(Stagnation)에 대한 취약성: 최적화 과정이 로컬 미니마(local minima)에 빠지기 쉬우며, 이를 위해 정교한 초기화(예: Gerchberg-Saxton 알고리 알고리즘)가 필요하다.
2. 연속성 결여: 픽셀 단위 접근 방식은 픽셀 간의 연속성이 부족하여, 학습된 위상 프로파일에 고주파 스펙클 노이즈(speckle noise)를 유발한다.
3. 물리적 해석 가능성: 결과로 나온 위상 마스크는 물리적으로 직관적이지 않으며, PSF 엔지니어링에 필요한 마이크론 단위의 정확도가 떨어진다.
4. 일반화: 이러한 방법들은 특정 작업에 맞춰져 있어, 기저를 재정의하지 않고는 임의의 3D PSF 분포로 쉽게 일반화되지 않는다.

방법론
저자들은 **암시적 신경 표현(Implicit Neural Representations, INRs)**을 사용하여 PSF 엔지니어링을 위상 복원 문제로 취급하는 신경장 동공 설계(Neural Field Pupil Design) 방식을 제안한다.

• 암시적 신경 표현 (INR): 이산적인 픽셀 그리드를 최적화하는 대신, 동공 위상 마스크를 다층 퍼셉트론(MLP)으로 매개변수화한다. 네트워크는 정규화된 동용 좌표 $\rho$를 위상 값 $\phi_m(\rho)$로 매핑한다. 이러한 좌표 기반 접근 방식은 위상 마스크에 대해 연속적이고 매끄러운 표현을 제공하며, 이는 본질적으로 솔루션을 정규화하고 기저 함수를 사전에 정의할 필요성을 제거한다.
• 푸리에 특징 매핑 (Fourier Feature Mapping): MLP의 "스펙트럼 편향(spectral bias)"(저주파 함수를 더 쉽게 학습하는 경향) 문제를 해결하기 위해, 입력 좌표를 푸리에 특징 매핑을 사용하여 인코딩한다. 이는 좌표를 사인 함수 기저를 사용하여 고차원 공간으로 투영함으로써, 복잡한 위상 마스크에 필요한 고주파 변화를 네트워크가 학습할 수 있도록 한다.
• 위상 표현: 위상 래핑 모호성($2\pi$ 시프트)을 해결하기 위해, MLP는 복소 지수 $e^{i\phi_m}$의 실수부와 허수부 성분을 출력하며, 이는 단위 크기로 정규화된다. 이를 통해 단위 진폭을 가진 위상 전용 마스크를 보장한다.
  му
• 순방향 모델 (Forward Model): 시스템은 각성 스펙트럼 방법(angular spectrum method)에 기반한 미분 가능한 푸리에 광학 모델을 사용한다. 동공 함수는 신경장(neural field)으로 학습된 마스크와 디포커스 커널의 곱으로 계산된다.
• 타겟 전처리 및 손실 함수: 타겟 PSF 스택에 대한 전처리는 핵심적인 혁신이다. 저자들은 시스템의 광학 전달 함수(OTF)로부터 유도된 이진 서포트 마스크(binary support mask)를 타겟 스펙트럼에 적용한다. 이는 광학 시스템의 대역 제한(band-limited) 특성을 모사하여 수렴을 용이하게 한다. 또한, 축 방향 슬라이스마다 사용자 정의 가중치 인자($\alpha_k$)를 손실 함수에 적용하여 상대적 강도를 제어하며, 이는 산란 또는 흡수에 의한 강도 저하를 보상한다.
• 최적화: MLP는 예측된 3D PSF 스택과 타겟 사이의 평균 제곱 오차(MSE)를 최소화하기 위해 경사 하강법 알고리즘(예: Adam, L-BFGS)을 사용하여 학습된다.

주요 기여

1. 기저가 없는 설계 (Basis-Free Design): 이 방법은 응용 분야별 기저 함수의 필요성을 제거하여, 사용자가 임의의 3D PSF 분포를 지정할 수 있게 한다.
2. 강건성 및 매끄러움: INR을 활용함으로써, 이 방법은 초기화에 강건하고 고주파 스펙클 노이즈가 없는 매끄럽고 연속적인 위상 프로파일을 생성한다.
3. 유연한 강도 제어: 프레임워크는 축 방향 슬라이스 간의 상대적 강도를 관리하기 위한 전처리 단계와 가중치 손실 함수를 포함하며, 이는 깊이에 따른 신호 손실 문제를 해결한다.
4. 실험적 검증: 이 방법은 공간 광 변조기(SLM)를 사용하는 테이블탑 광학 시스템에서 검증되었으며, 다양한 PSF 설계의 성공적인 배포를 입증하였다.

결과
저자들은 시뮬레이션 및 실험 결과를 통해 이 방법의 효능을 입 démontrer 했다:

• 고전적 PSF: 이 방법은 단일 헬릭스(360° 회전), 이중 헬릭스(180° 회전) 및 EDOF(불변) PSF를 성공적으로 설계했다. 실험 결과는 시뮬레이션과 밀접하게 일치했다.
• 강도 제어: 이 방법은 초점 간의 상대적 강도를 성공적으로 제어했다. 한 실험에서는 더 깊은 축 방향 슬라이스에 가중치를 부여하여 강도 저하를 보상함으로써, 깊이 범위 전체에서 더 균일한 강도를 구현했다.
• 임의의 설계: 프레임워크는 엇갈린 간격을 가진 교대 3-초점 PSF 및 2×2 다초점 PSF를 포함한 복잡한 패턴을 생성했다.
• 정규화: 중앙 로브(lobe)에 에너지 집중을 강제하는 정규화 항을 추가하면 회전 대칭성이 깨지는 위상 마스크가 생성되었는데, 이는 고차 수차와 같은 비이상적인 효과를 상쇄할 수 있는 잠재력을 시사한다.
• 비교: 픽셀 단위 MSE 및 픽셀-NOVO 최적화 방법과 비교했을 때, 신경장 접근 방식은 더 빠르게 수렴했고, 초기화가 필요 없었으며, 고주파 노이즈가 훨씬 적고 현저히 매끄러운 위상 프로파일을 생성했다.

의의 및 주장
본 논문은 제안된 신경장 동공 엔지니어링 방법이 3D PSF 엔지니어링을 위한 유연하고 일반화 가능한 프레임워크를 제공한다고 주장한다. 주요 의의는 광범위한 도메인 지식과 특정 기저 함수에 대한 의존도를 줄여, 작업별 PSF 설계를 더욱 용이하게 만든다는 데 있다.

저자들은 이 방법의 내재된 정규화가 안정적인 학습과 물리적으로 해석 가능한 위상 프로파일을 이끌어내어, 전통적인 픽셀 단위 최적화의 정체 및 노이즈 문제를 극복한다고 강조한다. 그들은 이 안정성과 유연성이 특정 실험 조건(예: 심한 산란이 발생하는 생체 내 이미징)을 위한 PSF 공동 설계(co-design)와 같은 더 정교한 엔드 투 엔드 파이프라인으로 확장될 수 있다고 제안한다. 또한, 신경장의 압축된 표현 방식은 고차원 입력을 자연스럽게 지원하므로, 향후 다파장 또는 공간 가변적 PSF 설계를 위한 적합성을 갖추고 있다. 논문은 이 방법이 견고하지만, 센서리스 파면 보정(sensorless wavefront correction)과 같은 실험적 조건과의 통합이 가능한 진화하는 분야의 일부라는 점을 언급하며 겸허한 어조를 유지한다.