본 논문은 THz 시간영역 분광 기반(THz-TDS) 이미징 시스템을 통해 획득된 테라헤르츠(THz) 영상을 효율적으로 노이즈 제거(denoising)하기 위한 자기지도(self-supervised) 딥러닝 접근법을 소개하며, THz 영상에서의 노이즈 저감은 실용적 응용을 제한하는 핵심 과제라는 점을 다룬다. 깨끗한 영상 쌍의 필요 또는 정밀한 노이즈 모델링이 요구되는 기존 노이즈 제거 방법의 한계를 극복하기 위해, 우리는 노이즈만을 사용하여 효과적으로 학습할 수 있는 Noise2Noise 방법론을 채택하였다. 학습 과정을 최적화하기 위해 THz-TDS 시간영역 데이터에 제로 패딩(zero-padding)을 적용하고, 최적의 학습 영상 개수와 제로 패딩 비율을 결정하였다. Positive 1951 USAF Test Target의 THz 영상을 사용한 정량적 평가 결과, 유의미한 개선이 확인되었다. 즉, 신호대잡음비(SNR) 12.5 dB~33.1 dB 범위에서 초기에는 1.20 THz 영상의 노이즈 수준이 16.87~4.55였으나, 노이즈가 0.61~0.36으로 크게 감소하였으며, 이는 노이즈 제거율 96%~92%에 해당한다. 이러한 결과는 다양한 노이즈 수준을 갖는 THz 영상에 대해 모델이 효과적으로 대응함을 보여준다. 또한, 광범위한 실험 결과는 제안된 모델이 다양한 노이즈 환경과 영상 구조에 걸쳐 우수한 성능을 보이며 일관된 노이즈 제거 효율을 달성함을 검증한다. 이는 실제 환경의 THz 이미징 시스템에 적용하기 위한 탄탄한 기반을 제공한다. 추가로, 우리는 선형 구조를 갖는 USAF THz 영상에서 다양한 노이즈 수준과 주파수로 모델을 학습한 뒤, 곡선 구조를 갖는 Samjoko(삼각 다리 까마귀) 북마크(bookmark) THz 영상으로 테스트하여 모델의 범용성을 분석하였다. 모델은 서로 다른 영상 형태, 노이즈 수준, 주파수에 대해 일관되게 우수한 노이즈 제거 성능을 보였으며, 강건성과 적응성을 입증하였다. 다양한 조건에서도 일관된 노이즈 제거 능력을 유지하는 데 있어 본 딥러닝 모델의 성공은 실제 세계 THz 이미징 응용 가능성을 시사한다. 이러한 결과는 실험실에서 학습된 모델이 다양한 실용 환경에서 우수한 성능을 달성할 수 있음을 보여준다. • 자기지도 딥러닝은 깨끗한 쌍 없이도 THz 영상 노이즈 제거를 향상시킨다. • Noise2Noise 방법은 오직 노이즈가 포함된 테라헤르츠 영상만으로 효과적으로 노이즈를 제거한다. • 제로 패딩 최적화는 THz 영상에서의 노이즈 제거 성능을 개선한다. • 모델은 다양한 SNR에서 높은 노이즈 제거율(92%–96%)을 보인다. • 모델은 서로 다른 영상 형태, 주파수, 노이즈 수준에 적용 가능하다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.