다차원 텐서 센싱 기반 RF 토모그래피 고정밀 복원

본 논문은 RF 토모그래피를 3차원 공간 복원 문제로 정의하고, 기존 벡터 기반 압축 센싱이 공간 구조를 무시해 복원 정확도가 낮다는 점을 비판한다. 이를 해결하기 위해 변환 기반 텐서 모델(L‑SVD)을 도입한다. 변환 기반 텐서는 기존 텐서 모델과 달리 실수 변환(FFT, DCT)만을 사용해 텐서의 L‑rank를 크게 낮출 수 있다. 논문은 60×60×15 크기의 IKEA 3D 의자와 테이블 모델을 이용해 변환 후 singular value 분포를 분석했으며, FFT 기반 L‑SVD에서는 3개의 singular value가 전체 에너지의 95 %를 차지함을 보여 저차원 표현이 가능함을 입증한다. 문제 정의에서는 RF 전파가 각 노드 쌍 사이에서 경로 손실, 그림자 손실, 다중 경로 손실을 포함한다는 물리 모델을 제시하고, 그림자 손실을 공간에 균일한 감쇠 계수 X(n₁,n₂,n₃)와 겹치는 거리 Dᵢⱼ(n₁,n₂,n₃)로 표현한다. 이를 바탕으로 측정 벡터 y∈ℝᴹ을 선형 연산 y = H(X) + w 로 정형화하고, X의 L‑rank가 r 이하라는 제약 하에 최소 제곱 복원 문제를 설정한다. 해결 방법은 X를 두 개의 작은 텐서 U∈ℝᴺ¹×ʳ×ᴺ³와 V∈ℝʳ×ᴺ²×ᴺ³의 L‑곱(U • V)으로 분해하고, 교대 최소화(Alt‑Min) 알고리즘을 적용한다. Alt‑Min은 매 이터레이션마다 고정된 U에 대해 V를 최소 제곱으로 업데이트하고, 그 반대로 U를 업데이트한다. 핵심 수학적 도구는 순환 대수(circulant algebra)이며, 텐서 곱을 순환 행렬 곱으로 변환해 기존 행렬 연산 라이브러리를 활용한다. 알고리즘 구현 시 메모리와 연산 복잡도가 크게 증가하는 문제를 해결하기 위해 두 가지 최적화를 제안한다. 첫째, 순환 행렬 전체를 저장하지 않고 각 순환 행렬의 첫 번째 열(튜브)만 보관한다. 이는 텐서의 전체 정보를 유지하면서 메모리 요구량을 O(N₁N₂N₃²) → O(N₁N₂N₃) 로 감소시킨다. 둘째, LS 단계에서 행렬 B₁, B₂를 구성해 표준 최소 제곱 문제로 변환함으로써 기존 최적화 툴을 그대로 사용할 수 있게 한다. 성능 평가에서는 IKEA 3D 의자와 테이블 데이터를 사용해 Alt‑Min과 기존 텐서 기반 압축 센싱(TNN) 방법을 비교한다. 실험 설정은 50 % 샘플링 비율, 가우시안 잡음(σ²) 하에서 진행되었다. 결과는 Alt‑Min이 평균 복원 오차를 TNN 대비 30 % 이상 감소시켰으며, 수렴 이터레이션 수는 약 2배 이상 적었다. 시각적으로도 복원된 3D 형태가 원본과 거의 일치함을 보여준다. 논문의 기여는 (1) 변환 기반 텐서 모델을 RF 토모그래피에 적용해 저차원 표현을 가능하게 함, (2) 교대 최소화와 순환 대수를 결합한 Alt‑Min 알고리즘을 제시해 연산 효율성을 크게 향상시킴, (3) 메모리 최적화를 통해 대규모 3D 공간 복원에 실용성을 부여함, (4) 실제 3D 모델 실험을 통해 기존 방법 대비 복원 정확도와 속도에서 현저한 개선을 입증함이다. 향후 연구 과제로는 비선형 측정 모델, 동적 환경에서의 실시간 추적, 적응형 샘플링 및 랭크 추정, 그리고 딥러닝 기반 사전학습 텐서 사전지식을 결합한 하이브리드 방법이 제시된다. 이러한 확장은 RF 토모그래피를 스마트 빌딩, 재난 구조, 보안 감시 등 다양한 실세계 응용에 적용할 수 있는 기반을 제공한다.