PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.10185v3cs.CV

DynGhost: 동적 고스트 이미징을 위한 시간적으로 모델링된 트랜스포머

DynGhost: Temporally-Modelled Transformer for Dynamic Ghost Imagings

고스트 이미징(ghost imaging)은 구조화된 조명 패턴과 스칼라 강도 측정값을 상관시켜 단일 픽셀 벌킷 검출기(bucket detector)로부터 공간 정보를 복원한다. 심층 학습(deep learning) 기반 접근법이 정적인 장면에서 유망한 결과를 달성했지만, 두 가지 중요한 한계는 여전히 해결되지 않고 있다: 기존 아키텍처는 프레임 간 시간적 일관성(temporal coherence)을 활용하지 못해 동적 고스트 이미징 문제가 대부분 미해결로 남아 있으며, 실제 단일 광자(single-photon) 하드웨어의 진정한 포아송(Poissonian) 통계를 반영하지 않는 가산적 가우시안 잡음 모델을 가정한다. 우리는 공간 및 시간 어텐션(attention) 블록을 교대로 배치하여 이 두 한계를 모두 해결하는 트랜스포머(transformer) 아키텍처인 DynGhost(Dynamic Ghost Imaging Transformer)를 제시한다. 물리적으로 정확한 검출기 시뮬레이션(SNSPD, SPAD, SiPM)과 Anscombe 분산 안정화 정규화(normalization)에 기반한 우리의 양자 인지(quantum-aware) 학습 프레임워크는, 현실적인 하드웨어 제약 조건 하에서 기존 모델이 실패하게 만드는 분포 변화(distribution shift) 문제를 해결한다. 여러 벤치마크(benchmark)에 걸친 실험 결과, DynGhost는 전통적인 복원 기법과 기존 심층 학습 아키텍처를 모두 능가하며, 특히 동적이고 광자가 부족한(photon-starved) 환경에서 큰 성능 향상을 보인다.