| 인공지능 전산 이미징 연구 성과 | ||
|
||
 중국과학원 상하이광학정밀기계연구소 정보광학광전기술실험실은 독일 슈투트가르트 대학교(Universität Stuttgart) 응용광학연구소, 미국 매사추세츠공과대학교(Massachusetts Institute of Technology)와 공동으로 물리적 모델과 심층 신경망에 기반한 신형 전산 이미징(Computational imaging) 방법을 제안하고 실험적으로 검증했다. 대량의 라벨링 데이터가 필요 없이 신경망 트레이닝을 달성할 수 있는 해당 방법은 인공지능 기술의 전산 이미징 분야에서의 광범위한 응용을 효과적으로 촉진할 전망이다. 해당 성과는 "Light: Science & Applications"에 온라인으로 게재되었다. 딥러닝 기반 기술은 전산 이미징 분야에 널리 응용되었으며 위상 회복, 디지털 홀로그래픽(digital holographic), 단일 픽셀 이미징, 산란 이미징 등 여러 분야에서 일련의 눈부신 성과를 달성했다. 그러나 전통적인 딥러닝 기반 전산 이미징 방법은 주로 지도형 기계 학습 전략을 사용하기 때문에 신경망을 트레이닝하기 위한 대량의 라벨링 데이터를 확보해야 하며, 수집된 데이터의 양과 품질은 획득한 모델의 성능에 큰 영향을 미친다. 그러나 실제 응용에서 이러한 조건을 충족시키기 어렵다. 기존의 연구에서 이미징 시스템의 순방향 물리적 모델이 알려진 경우, 시뮬레이션을 통해 트레이닝 데이터를 생성할 수 있는 것으로 알려지었지만 신경망의 일반화는 항상 제한되었으며 획득한 모델은 트레이닝 세트와 유사한 장면에서만 좋은 결과를 얻을 수 있다. 딥러닝 기반 전산 이미징 방법에서 트레이닝 데이터 획득이 어렵고 모델 일반화가 제한되는 어려움을 해결하기 위해, 연구진은 물리적 모델과 신경망을 결합하는 방법(Physics-enhanced deep neural network, PhysenNet)을 제안하고 물리적 모델로 트레이닝 데이터를 대체함으로써 네트워크 매개변수의 최적화를 구동했다. 전통적인 데이터 구동의 엔드투엔드(End-to-End) 딥러닝 방법에 비해 PhysenNet는 트레이닝 데이터가 필요 없는 보편성을 구비한 방법이다. 모델 구동의 최적화 알고리즘과 비교하여, PhysenNet는 명시적 규칙항을 사용하지 않고도 병적 역문제(감지된 물리적 측정에서 원시물체 정보를 복구하고 감지 단계에서 위상 등 정보를 잃음)를 해결할 수 있다. 연구진은 전산 이미징의 전형적인 예(example)인 위상 이미징으로 해당 방법의 효과성을 검증했다. 연속 반복을 통해 신경망 출력 결과가 회절 전파와 측정 과정(물리적 모델)을 거친 후 계산으로 획득한 회절 강도 그래프를 점차 실제 측정한 회절 강도 그래프에 가깝도록 한다. 반복이 진행됨에 따라 신경망의 출력 결과도 실제 얻으려는 위상 물체에 접근한다(그림 1). 실험 결과(그림 2)에 따르면, 하나의 회절 강도 그래프만 사용하는 경우, PhysenNet의 복구 효과는 여러 개 탈초점면 사이에서 왕복으로 반복해야 하는 Gerchberg-Saxton(GS) 알고리즘의 복구 효과보다 우월하며 디지털 홀로그래픽 방법으로 복구한 효과에 가깝다. 해당 방법은 정방향 물리적 모델의 기존에 알려진 많은 전산 이미징 방법에 응용할 수 있다. 그림1: PhysenNet 원리도 그림2: 실험 결과 (a) 실험 장치 (b)와 (g)의 두 위상형 물체의 회절강도 그래프는 각각 (c)와 (h)이다. PhysenNet, 디지털 홀로그래픽 및 GS 방법을 이용하여 복구된 결과는 각각 (d)와 (i), (e)와 (j), (f)와 (k)이다. 정보출처 : https://mp.weixin.qq.com/s/211JW43tCkTDSbUjkiCj5g?tdsourcetag=s_pctim_aiomsg |
SEARCH
- 정책동향
- 이슈리포트
- 통계DB
- 통계DB