단일 구경 광학 무렌즈 이미징 기술에 비해 코딩된 구경 이미징(Coded Aperture Imaging, CAI) 기술은 더 높은 광조도와 더 높은 해상도를 가지며, 최근 몇 년간 광범위한 관심을 받고 있습니다. 그러나 기존 CAI 기술은 낮은 시간 해상도와 성능 저하라는 제한이 존재합니다. 심층 학습 기술은 복잡한 특징 모델링 능력으로 인해 다양한 신호 처리 분야에 널리 적용되고 있습니다. 본 논문에서는 심층 학습 기술을 활용하여 위 문제를 해결하고, 컨볼루션 주의 메커니즘 기반 생성적 적대 신경망 모델(Convolutional Attention Mechanism Based-Generative Adversarial Network, CAM-GAN)을 구축하여 다양한 상황과 과제 요구에 적응하며 CAI의 효과와 안정성을 향상시키는 방법을 제안합니다. 컨볼루션 주의 메커니즘 모듈을 도입하여 생성기가 데이터의 특정 영역에 선택적으로 집중하게 하여 원본 이미지의 세부 사항과 구조를 복원합니다. 이를 바탕으로 생성적 적대 신경망 형태로 네트워크를 훈련시켜 더 현실적이고 고품질의 이미지를 생성합니다. 공개 데이터셋 실험 결과는 CAM-GAN이 다른 방법과 비교하여 이미지 품질 면에서 우수한 성능을 보이며, 최고 피크 신호 대 잡음비 값을 달성했으며, 차선의 UNet-GAN 알고리즘 대비 약 0.32 향상되어 심층 학습 기술의 CAI 분야 적용 가능성을 충분히 입증하였습니다.

코딩된 구경 이미징; 심층 학습; 주의 메커니즘; 생성적 적대 신경망