[논문 리뷰] BSoNet: Deep Learning Solution for Optimizing Image Quality of Portable Backscatter Imaging Systems

Linxuan Li, Wenjia Wei외 4명|arXiv (Cornell University)|2026. 02. 12.

Radiation Shielding Materials Analysis인용 수 0

한 줄 요약

BSoNet은 BSformer와 RANet를 도입하여 휴대용 백스캐터 이미징의 이미지 품질을 향상시키는 자가감독 학습 기반 Transformer-CNN 하이브리드 프레임워크로, 낮은 광자 수와 노이즈 문제를 해결합니다.

ABSTRACT

Portable backscatter imaging systems (PBI) integrate an X-ray source and detector in a single unit, utilizing Compton scattering photons to rapidly acquire superficial or shallow structural information of an inspected object through single-sided imaging. The application of this technology overcomes the limitations of traditional transmission X-ray detection, offering greater flexibility and portability, making it the preferred tool for the rapid and accurate identification of potential threats in scenarios such as borders, ports, and industrial nondestructive security inspections. However, the image quality is significantly compromised due to the limited number of Compton backscattered photons. The insufficient photon counts result primarily from photon absorption in materials, the pencil-beam scanning design, and short signal sampling times. It therefore yields severe image noise and an extremely low signal-to-noise ratio, greatly reducing the accuracy and reliability of PBI systems. To address these challenges, this paper introduces BSoNet, a novel deep learning-based approach specifically designed to optimize the image quality of PBI systems. The approach significantly enhances image clarity, recognition, and contrast while meeting practical application requirements. It transforms PBI systems into more effective and reliable inspection tools, contributing significantly to strengthening security protection.

연구 동기 및 목표

• 본질적으로 낮은 백스캐터 신호를 갖는 PBI 시스템에서 이미지 품질 향상을 목표로 한다.
• PBI 이미지에서 노이즈 제거 및 디테일 향상을 위해 글로벌(Transformer)과 로컬(CNN) 특징을 결합한 심층 학습 프레임워크를 개발한다.
• 적응형 처리를 통해 다양한 스캔 조건에서도 입력-출력 차원을 일관되게 유지함으로써 실용적 적용 가능성을 보장한다.
• 복잡한 노이즈 패턴에 대한 강건성을 높이기 위해 깨끗한 레이블 데이터 없이도 학습할 수 있도록 자가감독 학습을 활용한다.

제안 방법

• 전역 어텐션과 로컬 CNN 특징을 융합하여 노이즈 제거 및 디테일 향상을 위한 Backscatter Optimization Transformer인 BSformer를 제안한다.
• BSformer 내에서 다중 스케일 특징 추출 및 교차 스케일 특징 융합을 가능하게 하도록 FLN과 FFN 구성요소를 삽입한다.
• 최적화 전 이미지 크기를 조정하고 처리 후 원래 차원을 복원하기 위한 Resolution Adaptive 처리용 RANet를 도입한다.
• 레이블이 없는 데이터를 학습하기 위해 추가적인 가우시안 노이즈 증강과 함께 Noise2Void 자가감독 전략을 적용한다.
• 다양한 스캐닝 조건을 처리하고 이미지 구조를 보존하기 위해 BSoNet 프레임워크 내에서 엔드투엔드로 학습한다.

실험 결과

연구 질문

• RQ1 BSformer가 Transformer 기반의 글로벌 컨텍스트와 CNN 기반의 로컬 특징을 결합하여 백스캐터 이미지를 효과적으로 노이즈 제거하고 향상시킬 수 있는가?
• RQ2 해상도 적응 네트워크(RANet)가 다양한 스캐닝 조건에서 최적화 전후의 이미지 구조 및 차원을 유지하는가?
• RQ3 노이즈 증강이 있는 자가감독 Noise2Void 학습이 깨끗한 라벨 없이도 강건한 백스캐터 이미지 최적화를 이끌 수 있는가?
• RQ4 PBS-140 시스템을 이용할 때 서로 다른 전압, 스캔 속도, 지속 시간에서 BSoNet의 성능은 어느 정도인가?
• RQ5 PBI 응용에서 이미지 선명도, 인식, 대비의 실용적 이득은 무엇인가?

주요 결과

• 본 연구는 BSformer와 RANet를 결합하여 백스캐터 이미지 품질 최적화를 위한 BSoNet를 제안한다.
• BSoNet는 깨끗한 레이블이 없는 학습을 가능하게 하는 노이즈 증강과 함께 Noise2Void 자가감독 학습을 활용한다.
• PBS-140 시스템의 데이터에는 906장의 원시 이미지가 포함되며, 그중 760장이 학습용이고 146장이 테스트용이다.
• 프레임워크는 다양한 스캐닝 조건에 적응하고 해상도 변화에도 이미지 구조를 보존하도록 설계되었다.