스펙트럴 및 공간 영역 간 혼합 사전을 활용한 잔여 품질 저하 학습 전개 프레임워크를 통한 압축 스펙트럴 영상

스냅샷 스펙트럼 영상을 획득하기 위해 코딩된 아퍼처 스냅샷 스펙트럼 영상(CASSI) 기법이 제안되었다. CASSI 시스템의 핵심 과제는 2차원 측정값으로부터 신뢰성 있고 정밀한 3차원 스펙트럼 큐브를 복원하는 것이다. 깊이 있는 전개(deep unfolding) 방법은 데이터 하위 문제와 사전 하위 문제를 번갈아 풀어 우수한 성능을 달성한다. 그러나 데이터 하위 문제에서는 위상 왜곡, 왜곡 등의 장치 오류로 인해 실제 훼손 과정과 부적합한 감지 행렬을 사용하는 문제가 발생한다. 또한 사전 하위 문제에서는 공간적 특성과 스펙트럼적 특성을 함께 활용할 수 있는 적절한 모델을 설계하는 것이 중요하다. 본 논문에서는 감지 행렬과 훼손 과정 사이의 격차를 해소하는 잔차 훼손 학습 전개 프레임워크(RDLUF)를 제안한다. 더불어 스펙트럼과 공간 영역 간의 사전 정보를 혼합하여 스펙트럼-공간 표현 능력을 강화하는 Mix$S^2$ Transformer를 설계하였다. 마지막으로, Mix$S^2$ Transformer를 RDLUF에 통합함으로써 엔드투엔드 학습 가능한 신경망 RDLUF-Mix$S^2$를 구현하였다. 실험 결과, 제안된 방법이 기존 기법들에 비해 우수한 성능을 보임을 입증하였다.