래스터 그리드 병리와 완전한 해법: 블라인드 파이토그래피의 새로운 통찰

본 논문은 블라인드 파이토그래피(Blind Ptychography)라는 광학·전자 현미경 분야의 핵심 기술을 수학적으로 분석하고, 특히 가장 널리 사용되는 래스터 스캔(Raster Scan) 방식에서 발생하는 모호성(ambiguity) 문제를 완전하게 규명한다. 블라인드 파이토그래피는 물체와 프로브(윈도우 함수)를 동시에 복원해야 하는 역문제로, 측정 데이터는 물체와 프로브가 곱해진 후 푸리에 변환을 취한 강도(회절 패턴)만을 제공한다. 이때 물체와 프로브는 서로 다른 스케일을 가지며, 프로브는 픽셀 스케일과 물체 전체 스케일 사이의 중간 규모에 해당한다. 논문은 먼저 래스터 스캔을 수학적으로 정의한다. 격자 기반 스캔은 정수 스텝 크기 τ를 사용해 물체 전체를 격자 형태로 이동시키며, 각 격자 위치 tₖₗ = (kτ, lτ)에서 프로브 µₖₗ와 물체 부분 fₖₗ의 곱 µₖₗ·fₖₗ(=exit wave)으로부터 회절 패턴을 얻는다. 격자 수는 |T|≈n²/τ²이며, 프로브 크기 m과 스텝 τ의 비율 τ/m가 겹침 비율(overlap ratio)을 결정한다. 일반적으로 50% 이상의 겹침이 필요하다고 알려져 있다. 핵심 이론은 두 단계로 전개된다. 첫 번째는 ‘블록 위상’(block phase) θₖₗ의 구조를 밝히는 것이다. 기존 연구에서는 블록 위상이 임의의 상수라고 가정했지만, 본 논문은 정리 3.1을 통해 블록 위상이 반드시 등차수열을 이룬다는 것을 증명한다. 구체적으로, 모든 격자에 대해 νₖₗ·gₖₗ = e^{iθₖₗ} µₖₗ·fₖₗ이 성립한다면, θₖₗ = θ₀₀ + r·(k,l) 형태이며, 여기서 r = (r₁,r₂)는 2π/q의 정수배인 고정된 단계이다. 이는 블록 위상이 전역적으로 아핀(affine) 구조를 가진다는 의미이며, 블록 간 위상 차이는 격자 스텝에 비례한다. 두 번째는 ‘래스터 그리드 병리(Raster Grid Pathology)’라 불리는 추가적인 모호성을 규명한다. 이 병리는 τ² 차원의 자유도를 가진 주기적인 위상 변동으로, 격자 간격 τ가 클수록 모호성 차원도 커진다. 구체적으로, 물체와 프로브에 τ×τ 크기의 주기적인 위상 패턴을 곱해도 동일한 회절 데이터를 만든다. 이는 기존 광학 실험에서 관찰된 격자 패턴 잡음과 동일한 현상이다. 논문은 정리 4.3을 통해 이러한 τ² 자유도와 블록 위상에 의한 비주기적인 아핀 위상(θ₀₀, r)을 포함한 전체 모호성 구조를 완전하게 기술한다. 그러나 이러한 모호성 중 ‘내재적 모호성’(scaling factor와 affine phase)만은 불가피하다. 스케일링 계수 c>0와 전역 위상 변환 g = f·e^{i(b + w·n)} , ν = µ·e^{-i(a + w·n)} 은 물체와 프로브를 동시에 변형시켜도 회절 패턴을 그대로 유지한다. 이 두 가지는 블라인드 파이토그래피에서 언제나 존재하는 기본적인 불확정성이다. 논문의 가장 혁신적인 부분은 ‘불규칙하게 교란된 래스터 스캔(Irregularly Perturbed Raster Scan)’을 제안하고, 이를 통해 위의 모든 비내재적 모호성을 제거한다는 점이다. 구체적인 방법은 각 격자 위치에 작은 무작위 변위(예: ±1~2 픽셀)를 추가하는 것으로, 겹침 비율이 최소 50% 이상이면 충분히 작동한다. 정리 5.5는 이러한 교란이 존재할 경우, 블록 위상은 여전히 등차수열을 유지하지만 그 차이는 전역적으로 고정된 값이 아니라 각 블록마다 독립적인 상수가 되며, 결과적으로 τ² 자유도의 주기적 모호성이 사라진다. 시뮬레이션(섹션 6)에서는 교란된 스캔이 수렴 속도를 크게 향상시키고, 재구성 오류를 현저히 감소시키는 것을 확인한다. 특히 τ가 큰 경우에도(예: τ≈m/2) 작은 교란만으로 완전한 유일성을 확보할 수 있음을 보여준다. 결론적으로, 본 연구는 (1) 래스터 스캔에서 발생하는 ‘그리드 병리’를 정확히 수학적으로 규명하고, (2) 최소한의 설계 변경만으로 블라인드 파이토그래피의 유일성을 보장하는 실용적인 가이드라인을 제공한다. 이는 고해상도 비접촉 영상, 전자 현미경, X-선 회절 등 다양한 분야에서 데이터 획득 효율을 높이고, 알고리즘 수렴성을 개선하는 데 큰 기여를 할 것으로 기대된다.