[논문 리뷰] End-to-End Optimization of Metasurfaces for Imaging with Compressed Sensing

Gaurav Arya, William F. Li외 4명|arXiv (Cornell University)|2022. 01. 28.

Metamaterials and Metasurfaces Applications참고 문헌 67인용 수 8

한 줄 요약

이 논문은 압축 감지(Compressed Sensing, CS)를 활용하여 희박한 이미징 대상물을 물리적으로 실현 가능한 측정 행렬을 사용해 재구성하는 엔드 투 엔드 최적화 프레임워크를 제안한다. 이중 최적화 파이pline 내부에 근사하지 않은 반복적 $β_1$-정규화된 CS 알고리즘을 통합하고, KKT 최적성 조건에 대해 애드조인트 민감도 분석을 수행함으로써, 이론적으로 이상적인 가우시안 행렬 성능에 가까운 메타표면 설계를 발견한다. 이는 심각한 과소결정 조건 하에서도 랜덤 설계나 단일 촬영 설계보다 초해상도 및 3D 깊이 영상에서 뚜렷한 성능 향상을 보인다.

ABSTRACT

We present a framework for the end-to-end optimization of metasurface imaging systems that reconstruct targets using compressed sensing, a technique for solving underdetermined imaging problems when the target object exhibits sparsity (i.e. the object can be described by a small number of non-zero values, but the positions of these values are unknown). We nest an iterative, unapproximated compressed sensing reconstruction algorithm into our end-to-end optimization pipeline, resulting in an interpretable, data-efficient method for maximally leveraging metaoptics to exploit object sparsity. We apply our framework to super-resolution imaging and high-resolution depth imaging with a phase-change material. In both situations, our end-to-end framework computationally discovers optimal metasurface structures for compressed sensing recovery, automatically balancing a number of complicated design considerations to select an imaging measurement matrix from a complex, physically constrained manifold with millions ofdimensions. The optimized metasurface imaging systems are robust to noise, significantly improving over random scattering surfaces and approaching the ideal compressed sensing performance of a Gaussian matrix, showing how a physical metasurface system can demonstrably approach the mathematical limits of compressed sensing.

연구 동기 및 목표

• 희박성의 특성을 활용하여 소형 저센서 시스템에서의 과소결정 영상 문제를 해결하기 위해.
• 압축 감지를 이용한 메타표면 영상 시스템을 물리적으로 실현 가능하고 해석 가능하며 데이터 효율적인 방법으로 최적화하기 위해.
• 기존 압축 감지에서 고정된 측정 행렬의 한계를 극복하기 위해 물리적 메타표면 구조의 엔드 투 엔드 최적화를 가능하게 하기 위해.
• 메타표면이 단지 물리적 제약(예: 상전이 물질 포함)이 있는 강한 조건에서도 압축 감지의 이론적 성능 한계에 도달할 수 있음을 보여주기 위해.
• 다중 채널 메타표면 구성의 최적화를 통해 최소한의 센서 데이터로도 견고하고 고해상도의 3D, 스펙트럼 및 편광 영상 구현을 가능하게 하기 위해.

제안 방법

• 외부 최적화 루프는 메타표면 구조와 재구성 초모수를 최적화하여 CS 재구성 오차를 최소화하는 이중 최적화 문제를 사용한다.
• 내부 최소화 문제로 근사하지 않은 반복적 $β_1$-정규화된 압축 감지 알고리즘을 통합함으로써 해석 가능성과 일반화 능력을 보장한다.
• CS 해의 카루쉬-쿤-터커(Karush-Kuhn-Tucker, KKT) 최적성 조건에 대해 애드조인트 민감도 분석을 수행하여 재구성 알고리즘을 통해 효율적인 역전파를 가능하게 한다.
• 임의의 선형 희박화 변환 $Ψ$를 지원하며, 민감도 분석을 위해 오직 투영 연산자 $P_S$만 필요로 하여 광범위한 적용 가능성을 확보한다.
• 고차원의 물리적 제약이 가해진 다양한 매니폴드(최대 약 $10^6$ 개 자유도) 내에서 최적화가 이루어지며, 다중 산란 및 공진과 같은 전자기 효과를 균형 잡는다.
• 이 프레임워크는 회절 광학의 극한 경우로 일반화 가능하며, 상전이 물질을 사용하는 다중 채널 및 다중 구성 시스템에 적용 가능하다.

실험 결과

연구 질문

• RQ1 엔드 투 엔드 최적화된 메타표면이 압축 감지에서 이상적인 가우시안 행렬 성능에 근접하는 물리적으로 실현 가능한 측정 행렬을 발견할 수 있는가?
• RQ2 특히 상전이 물질을 포함한 메타표면 내 복잡한 전자기 상호작용을 어떻게 최적화하여 과소결정 영상에서 재구성 정확도를 향상시킬 수 있는가?
• RQ3 추가 학습 데이터 없이도 이 프레임워크가 분포 외 희박 데이터에 얼마나 일반화될 수 있는가?
• RQ4 상전이 물질을 사용한 다중 촬영 설계가 단일 촬영 또는 랜덤 메타표면 설계보다 재구성 성능을 어떻게 향상시키는가?
• RQ5 이 프레임워크를 비선형 사전 정보나 단순 컨볼루션 모델을 초월한 더 복잡한 광학 구조로 확장할 수 있는가?

주요 결과

• 최적화된 메타표면 영상 시스템은 2% 노이즈가 있는 희박한 3D 물체에서 상대적 RMSE가 18%를 기록하며, 랜덤 메타표면(59% RMSE)과 단일 촬영 설계(74% RMSE)보다 뚜렷한 성능 향상을 보였다.
• 엔드 투 엔드 최적화된 시스템은 물리적으로 실현 불가능한 가우시안 측정 행렬의 이론적 성능 한계에 근접함을 입증하여, 거의 최적의 압축 감지 복구 성능을 달성했다.
• 이 프레임워크는 훈련 데이터 분포와 다를 경우에도 비어 있지 않은 값이 깊이에 균일하게 분포된 희박한 물체를 견고하게 재구성할 수 있다.
• 두 번 촬영된 PCM 기반 설계는 단일 촬영 설계에 비해 지연된 희박성-오차 전이 시점을 보이며, 노이즈 및 희박성 제약에 대한 저항력이 뛰어나다는 것을 시사한다.
• 이 방법은 산란, 공진, 분산 등의 복잡한 물리적 상충 요소를 균형 잡는 복합 렌즈 유사 메타표면 구성 구조를 발견하여 영상 성능을 극대화한다.
• 이 프레임워크는 고해상도 깊이, 스펙트럼 및 편광 영상에 직접 적용 가능하며, 열영상에서 방출율 및 온도 분포의 단일 촬영 재구성 가능성도 갖는다.