계산 이미징 (Computational Imaging)

한 줄 정의: 계산 이미징은 광학계와 신호처리 알고리즘을 함께 설계하여, 광학 하드웨어만으로는 얻기 어려운 정보를 계산을 통해 복원하는 영상 획득 방식입니다.

쉽게 풀면

전통적인 카메라는 렌즈가 상을 정확히 맺어야 좋은 사진을 얻을 수 있었습니다. 하지만 계산 이미징에서는 일부러 불완전하거나 특이한 방식으로 빛을 모은 뒤, 그 데이터를 컴퓨터 알고리즘으로 되짚어 계산해서 원하는 영상을 만들어냅니다. 마치 흐릿한 단서들을 모아 퍼즐을 맞추듯, 광학 장치와 수학적 복원 과정이 한 팀처럼 작동하는 것입니다. 그 결과 렌즈 하나로 찍기 어려운 3차원 정보나 초점이 다른 여러 장면을 한 번에 얻을 수도 있습니다.

왜 중요한가

계산 이미징은 광학 하드웨어의 물리적 한계(회절, 렌즈 수차, 센서 크기 등)를 소프트웨어적으로 보완하거나 극복할 수 있게 해줍니다. 소형화된 카메라, 저비용 센서로도 고품질 영상을 얻을 수 있어 의료영상, 모바일 카메라, 현미경 등 산업 전반에 걸쳐 응용되고 있습니다.

논문에서는 이렇게 쓰입니다

"We propose a computational imaging framework that jointly optimizes the phase mask and the reconstruction network to extend the depth of field."

위상 마스크와 복원 신경망을 함께 최적화하는 계산 이미징 프레임워크를 제안해 초점 심도를 확장했다는 내용입니다.

"Unlike conventional lens-based systems, our computational imaging approach recovers high-resolution images from coded, low-resolution measurements."

기존 렌즈 기반 시스템과 달리, 계산 이미징 접근법은 코딩된 저해상도 측정값으로부터 고해상도 영상을 복원한다는 뜻입니다.

조금 더 깊게 보면

계산 이미징은 흔히 순방향 모델(forward model)을 세우고, 역문제(inverse problem)를 최적화나 딥러닝 기반 알고리즘으로 풀어 영상을 복원하는 구조를 취합니다. 대표적인 예로 위상 마스크를 이용한 심도 확장, 압축 센싱을 이용한 데이터량 절감, 딥러닝 기반 디컨볼루션 등이 있습니다. 이 접근은 광계 이미징, 무렌즈 홀로그래픽 이미징, 고스트 이미징 등 여러 이미징 기법의 공통 기반 개념으로 볼 수 있습니다.

주의할 점

복원 알고리즘의 성능에 크게 의존하기 때문에, 잘못된 모델 가정이나 알고리즘 한계로 인해 실제와 다른 인공물(artifact)이 영상에 생길 수 있습니다.