arXiv:2606.07257v1 physics.optics

위상 복원 알고리즘의 조건부 동등성에 관하여

On the conditional equivalence of phase retrieval algorithms

Jakob Schroeder, Andreas Döpp

제출 2026-06-05

한국어 초록

위상 복원(Phase retrieval) - 강도 측정으로부터 복소수 필드를 복원하는 문제 -은 일반적으로 측정 평면 사이의 교대 투영으로 이해되는 Gerchberg-Saxton(GS) 알고리즘의 변형을 사용하여 해결됩니다. 한편, 현대의 계산 영상은 점차 그래디언트 기반 최적화와 자동 미분에 의존하고 있습니다. 본 연구에서는 이 두 접근 방식이 수학적으로 동일함을 보여줍니다: GS 크기 대체 단계는 진폭 최소제곱 손실(amplitude least-squares loss)에 대한 단위 경사하강법(gradient descent) 단계와 정확히 일치합니다. 이러한 동등성을 통해 고전적 위상 복원과 미분 가능한 물리 파이프라인의 매끄러운 통합이 가능해집니다. 또한 우리는 이 동등성에 대한 두 가지 상호 보완적인 확률적 해석을 식별합니다: 전역적으로는 진폭 손실이 가우시안 진폭 노이즈 하에서의 음의 로그 가능도(negative log-likelihood)이며, 국소적으로는 각 투영 단계가 전파된 필드를 사전 분포(prior)로 하는 베이지안 업데이트로 발생합니다. 국소적 관점은 반복적 위상 복원에서 완화에 대한 정성적 지침을 제공합니다.

원문 초록

Phase retrieval - recovering a complex-valued field from intensity measurements - is typically solved using variants of the Gerchberg-Saxton (GS) algorithm, understood as alternating projections between measurement planes. Meanwhile, modern computational imaging increasingly relies on gradient-based optimization and automatic differentiation. Here we show that these two approaches are mathematically identical: the GS magnitude replacement step is exactly a unit gradient descent step on an amplitude least-squares loss. This equivalence enables seamless integration of classical phase retrieval with differentiable physics pipelines. We further identify two complementary probabilistic interpretations of this equivalence: globally, the amplitude loss is the negative log-likelihood under Gaussian amplitude noise; locally, each projection step arises as a Bayesian update with the propagated field as prior. The local view provides qualitative guidance for relaxation in iterative phase retrieval.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.07257v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.13812v1cs.LG공통 태그 Bayesian Inference, Image Reconstruction

정확한 가우시안 조건화를 통한 확산 및 흐름 기반 사후 샘플링 포괄

Spanning Diffusion and Flow-based Posterior Sampling via Exact Gaussian Conditioning

흐름 매칭(flow-matching) 및 확산 모델(diffusion model)은 선형 역문제(linear inverse problem)의 사전확률(prior)로 점점 더 많이 활용되고 있으나, 대부분의 방법은 특정 궤적 사전확률 클래스에만 맞춤화되어 있습니다. 플러그 앤 플레이(plug-and-play) 방식들이 제안되었지만, 이들은 유도된 궤적의 상관관계를 암묵적으로 해제하여 데이터가 희소할 때 성능이 저하될 수 있는 넓은 사전확률을 형성합니다. 본 연구에서는 흐름, 확산 및 탈상관된 사전확률을 일반화하는 상관 매개변수 $β$와 경로 분포가 얼마나 강하게 적용되는지를 제어하는 신뢰도 매개변수 $κ$로 색인화된 범용 플러그 앤 플레이 방법인 $β$-Flow를 제안합니다. 각 단계는 노이즈 제거 네트워크의 단 한 번의 순전파 평가만을 필요로 하며, 이후 가우시안 조건화 단계가 이어집니다. 이 조건화 단계는 네트워크 그래디언트에 의존하지 않는 정확한 칼만 업데이트(Kalman update)입니다. 우리는 기존의 많은 가이드 샘플러들이 칼만 이득 대신 서로 다른 궤적 사전확률과 연산자를 암묵적으로 사용하는 본 방법의 인스턴스 또는 근사치로 해석될 수 있음을 보여줍니다. 이러한 관점에서 우리는 암묵적 편향 및 가정의 측면에서 방법들의 정성적 비교를 제공합니다. 또한 4개 데이터셋에 걸친 7개의 역문제에서 PSNR 및 SSIM 기준으로 일관되게 최고 수준(SOTA)의 성능을 달성함을 입증합니다. 아울러 관측 정보가 적을 때는 높은 신뢰도의 강한 상관관계(엄격한 사전확률)가 가장 효과적이며, 관측 정보가 많을 때는 낮은 상관관계가 선호된다는 점을 보여줌으로써 베이즈 추론(Bayesian inference)에서 사전확률과 가능도(likelihood)의 상호보완적 역할을 반영하는 이러한 사전확률 제어의 유용성을 입증합니다.

arXiv:2610.02675v1eess.IV공통 태그 Bayesian Inference, Image Reconstruction

하나의 광자, 다양한 세계: 단일 광자 카메라를 통한 사후 확률 및 예측

One Photon, Many Worlds: Posteriors and Predictions with Single-Photon Cameras

단일 광자 눈사태 다이오드(SPAD) 카메라는 광자 계수(photon-counting) 특성으로 인해 기존 카메라와 근본적으로 다르게 작동합니다. 각 프레임은 이진 이미지를 생성합니다. 즉, 노출 시간 동안 광자가 도달하지 않은 픽셀은 0을, 하나 이상의 광자가 도달한 픽셀은 1을 기록합니다. 단일 이진 프레임으로부터 장면을 재구성하거나 그 특성을 추론(inference)하는 것은 여러 서로 다른 이미지가 동일한 측정값을 생성할 수 있기 때문에 어렵습니다. 따라서 이 역문제(inverse problem)는 근본적으로 일대다(one-to-many) 관계를 가집니다. 더 많은 이진 측정값을 수집할수록 역문제 및 관련 추론에 내재된 불확실성은 감소합니다. 광자 수가 충분해지면 신호 평균에 비해 광자 노이즈가 무시할 수 있는 수준이 되어 거의 결정론적인 장면 복원 및 추론이 가능해집니다. 본 연구는 광자 예산(photon budget)이 증가함에 따라 확률적 장면 이해에서 거의 결정론적인 장면 이해로 전환되는 과정을 규명하고, 광자 도달의 확률성이 하류(downstream) 추론 작업에 미치는 영향을 분석합니다. 기술적으로는 누적된 이진 SPAD 측정값을 위해 초기하 프레임 박형화(Hypergeometric frame-thinning) 과정을 기반으로 하는 조건부 생성 프레임워크를 개발합니다. 생성 모델은 광자가 극도로 부족한(photon-starved) 역문제의 일대다 특성을 포착하여, 측정값이 증가함에 따라 이러한 모호성이 어떻게 감소하는지와 문자 인식, QR 코드 디코딩, 얼굴 분석과 같은 하류 작업에 미치는 영향을 실증적으로 규명할 수 있도록 합니다.

arXiv:2609.23619v1cs.CV공통 태그 Image Reconstruction, computational imaging

각도-분광 다양성 변환을 통한 소형 저비용 초분광 영상 기법

Compact Low-Cost Hyperspectral Imaging via Angular-to-Spectral Diversity Conversion

스냅샷 초분광 영상(snapshot hyperspectral imaging)은 순차적 스캐닝을 피할 수 있지만, 안정적인 복원, 저비용, 소형 광학계를 동시에 달성하는 시스템은 여전히 제한적입니다. 본 논문에서는 각도-분광 다양성 변환(angular-to-spectral diversity conversion)에 기반한 스냅샷 초분광 영상 시스템을 제시합니다. 테이퍼형 만화경(tapered kaleidoscope)은 서로 다른 입사 방향을 가진 복제된 뷰를 생성하며, 직접 부착된 복굴절 필터(birefringent filter)가 이를 뷰 채널에 의존적인 분광 투과율로 변환하여 상호보완적인 측정값을 제공함으로써 역문제(inverse problem)의 조건을 개선하고 더욱 안정적인 단일 샷 분광 복원을 가능하게 합니다. 이 시스템은 빠른 비학습 기반 복원을 위해 단순한 픽셀 단위 선형 모델(pixel-wise linear model)을 유지하며, 릴레이 광학계나 직렬 모듈 없이 상용(off-the-shelf) 부품만을 사용합니다. 저자들은 조건수(condition number) 기반 기준을 활용하여 복굴절 필터 구성을 선택하고, 합성 데이터 및 실제 데이터 모두에서 시스템을 검증합니다.

arXiv:2607.14193v2stat.ML공통 태그 Bayesian Inference, Image Reconstruction

복소 Helmholtz 파동장을 위한 연산자 정보 가우시안 프로세스: 합성 벤치마크에서 생체 뇌 탄성영상까지

Operator-Informed Gaussian Processes for Complex Helmholtz Wavefields: From Synthetic Benchmarks to In Vivo Brain Elastography

Helmholtz 방정식은 시간-조화 파동 전파를 지배하며, 감쇠 매질에서는 복소 탄성 계수로 인해 파수의 제곱 $κ^2$가 복소수가 된다. 희소하고 노이즈가 많은 데이터로부터 이러한 장을 추론하려면 자신의 불확실성까지 정량화하는 솔버가 필요하다. 물리 정보 가우시안 프로세스(GP) 회귀는 해에 대한 사후분포를 반환함으로써 이를 제공하지만, 연산자 조건 공식화는 거의 전적으로 실수값 장에 대해서만 개발되어 왔다. 우리는 복소 연산자를 등가의 결합된 실수 블록으로 실수화(realify)함으로써 연산자 정보 GP 회귀를 복소값 Helmholtz 문제로 확장하고, 이를 통해 표준 실수값 GP 조건화로 추론을 가능하게 한다. 이 구성은 적절한(proper) 대각 사전분포부터 공영역화(coregionalized) 및 다중 스케일 변형까지 일련의 사전분포를 허용하며, PDE 잔차와 경계 trace에 조건을 건다. 1차원에서 3차원까지의 벤치마크 문제에서, 이 솔버는 훨씬 작은 내부 제약 예산(interior-constraint budget)으로 유한차분법 및 신경망 베이스라인과 경쟁력을 보인다. 그러한 확정적 베이스라인과 달리, 점 추정이 아니라 복소 파동장에 대한 사후분포를 반환한다. 생체(in vivo) 뇌 자기공명 탄성영상에 적용하면, 적절한 다중 스케일 사전분포가 전단 curl 장을 측정값과 상관계수 0.77로 재구성하여 0.75 목표를 넘는다. 이 성능 향상은 실수-허수 결합이 아니라 다중 스케일 커널에서 비롯된다. 또한 모델 불일치(model mismatch)에 의해 설정된 저주파 정확도 상한과 아직 보정되지 않은 사후 불확실성을 확인한다. 따라서 보정된 불확실성은 감쇠 매질에서 확률적 파동장 추론을 위한 핵심 다음 단계로 부상한다.

arXiv:2607.22077v1eess.IV공통 태그 Image Reconstruction, computational imaging

리프트 스펙트럼: 측정-공간 적응성이 이미지 없는 단일 픽셀 센싱의 견고성을 형성하는 방식

The Lift Spectrum: How Measurement-to-Space Adaptivity Shapes Robustness in Image-Free Single-Pixel Sensing

단일 픽셀 센싱은 장면을 짧은 부호화 측정 시퀀스로 인코딩하며, 이미지 없는(image-free) 방법은 그 시퀀스로부터 작업을 직접 추론한다. 재구성을 제거한다고 난이도가 사라지는 것은 아니다. 난이도는 리프트(lift), 즉 1차원 측정에서 2차원 표현으로의 매핑으로 옮겨지며, 기존 연구는 이를 사소한 reshape로 취급해 왔다. 우리는 리프트를 이미지 없는 센싱의 핵심 설계 축으로 재정의하고, 입력에 대한 적응 강도에 따라 방법을 분류한다: 고정 물리 역변환(재구성-후-분할), 학습된 정적 투영, 또는 내용 적응형 검색; 이 리프트 스펙트럼 상의 위치는 획득 품질이 저하될 때의 동작을 예측한다. 시공간 소프트 퓨전(spatiotemporal soft-fusion, STSF) 네트워크는 프로브 선택 순환(recurrent) 인코더를 매개변수 매칭(parameter-matched) ablation으로 선택된 교차 어텐션 리프트와 U-Net++ 디코더 앞단에서 결합하며, 예약된 재구성 사전(scheduled reconstruction prior)인 작업 우선 손실 스케줄링(task-prioritized loss scheduling, TPLS) 하에서 학습한다. 시뮬레이션에서 STSF+TPLS는 3.13% 샘플링에서 세 데이터셋에 걸쳐 기존 이미지 없는 기준선을 능가하며(전경 mIoU +3.2~+9.9 pp), 0.39%까지 평탄해진다. 가장 강력한 클린 학습 재구성-후-분할 기준선은 무잡음 한계에서 우승하지만, 보정된 측정 잡음 하에서는 이미지 없는 추론이 이를 추월한다. 측정으로 확인된 이유는 재구성 파이프라인이 분할기(segmenter)가 읽기 전에 동일한 측정 잡음을 증폭하기 때문이다. 각 구간은 고유한 실패 양상을 보인다: 붕괴(collapse), 각인(imprinting), 또는 조잡화(coarsening). STSF+TPLS는 개념 증명(proof of concept)으로 미세조정 없이 실제 단일 픽셀 벤치로 전이되며, 마스크당 약 14 ms이다. 리프트를 도식화하면 분산된 설계 공간이 각 운영 지점(operating point)에서 어떤 리프트를 배치할지에 대한 지도로 바뀐다. 코드 및 사전학습 가중치: https://github.com/Hanyuyuan6/STSF-TPLS

토론

이 논문과 연결된 포럼 글이 아직 없습니다.