Holographic image reconstruction is an ill-posed inverse problem and there is a trade-off between the complexity of the imaging system and the quality of the reconstructed image, so there is no rule of thumb to use. Recently, the image-to-image translation task in the computer vision field has been applied to holographic image reconstruction and shown unprecedented performance. However, they utilized paired information between complex amplitude and hologram intensity and prior information such as sample-to-sensor distance. In this thesis, we demonstrate a novel approach for holographic image reconstruction by embedding a distance parameterized forward imaging model into the cycle-consistency generative adversarial network(cycleGAN). We showed that the proposed network reliably reconstructs the complex field of polystyrene beads even in the presence of strong perturbations on the imaging system. Also, by utilizing the property of an unsupervised learning approach, relaxation of data constraints is proved using tissue samples that have complex structures. Lastly, application for the proposed model is presented using a dynamic imaging sample, red blood cell.
홀로그래피 이미지 복원 기법은 비 정치성 역문제이며, 이미징 시스템의 복잡도와 복원된 이미지 사이의 트레이드-오프로 인하여 우선시되어 사용되는 알고리즘이 없다. 최근, 컴퓨터 비전 분야에서 활발하게 연구되고 있는 이미지-이미지 변환 알고리즘이 홀로그래피 이미지 복원에 적용되어 전통적인 알고리즘을 훨씬 뛰어넘는 복원 성능을 보여주었다. 하지만, 선행 연구들은 페어링 된 데이터, 샘플-센서 사이의 거리 등 사전 정보로써 활용하여 실제 사용되는 데에 제약이 많다. 본 학위논문에서는 거리 정보가 변수화 된 이미징 모델을 cycleGAN과 결합함으로써, 홀로그래피 이미지 복원을 수행하는 새로운 모델을 제시한다. 우선, 우리는 제안한 모델이 데이터가 측정되는 이미징 시스템의 변화에도 이미지 복원을 강건하게 수행함을 검증하였다. 또한, 비지도 학습의 특성을 활용하여, 네트워크 학습에 있어 데이터의 제약이 완화될 수 있음을 보였다. 마지막으로, 페어링 된 데이터를 얻기 힘든 동적 이미징 샘플에 대한 이미지 복원 결과를 보여줌으로써, 제안된 모델이 적용될 수 있는 분야를 제시한다.
