압축 센싱 물리와 그래디언트 기반 복원 알고리즘

** 본 연구는 압축 센싱(Compressive Sensing, CS)의 물리적 배경과 그래디언트 기반 복원 알고리즘을 포괄적으로 정리한다. 서론에서는 전통적인 나이퀴스트‑샤논 샘플링 정리를 언급하고, CS가 “소수의 선형 측정만으로 희소 신호를 완전 복원한다”는 핵심 아이디어를 소개한다. 이어서 CS의 네 가지 기본 형태를 제시한다. (①) 시간 영역에서 희소하고 측정도 시간 영역인 경우, (②) 시간 영역에서 희소하지만 측정은 변환 영역(푸리에, 웨이브렛 등)에서 이루어지는 경우, (③) 변환 영역에서 희소하고 측정은 시간 영역인 경우, (④) 변환 영역에서 희소하고 측정도 변환 영역인 경우이다. 각각은 l₁‖·‖ 최소화 제약식으로 표현되며, 희소성 정의는 비영(非零) 원소 개수가 전체 차원에 비해 현저히 적은 경우로 설명된다. 희소성에 따른 측정 수 M의 최소 요구량은 일반적으로 M≈K·log(N) 혹은 M≈4K 수준이며, 이는 측정 행렬 M₀와 변환 기저 Ψ 사이의 코히어런스 χ가 작을수록 감소한다. 코히어런스는 물리학에서 파동의 상관성을 의미하며, 두 파동이 완전히 일치하면 코히어런스가 1, 완전히 무관하면 0에 가깝다. CS에서는 측정 행렬과 신호 기저가 서로 “비동조(incoherent)”하도록 설계해야 함을 강조한다. 수학적 보장은 두 가지 정리로 제시된다. 첫째, 균등불확실성 원리(UUP)는 모든 신호 f에 대해 C₁·(M/N)·‖f‖₂² ≤ ‖M₀f‖₂² ≤ C₂·(M/N)·‖f‖₂² 형태로 측정 에너지 보존을 보장한다. 둘째, 제한등비성(RIP)은 (1−δₖ)‖f‖₂² ≤ ‖M₀f‖₂² ≤ (1+δₖ)‖f‖₂² (δₖ≪1) 로, M₀가 거의 등거리 변환임을 의미한다. 이러한 정리를 통해 M₀를 정규분포·균등분포·베르누이 분포 등 무작위 행렬로 선택하는 것이 일반적임을 설명한다. 다음으로 l₀‖·‖ 최소화가 NP‑hard임을 언급하고, 대안으로 l₁‖·‖을 선택한다. l₁‖·‖은 볼록 최적화 문제로 변환돼 선형 프로그래밍 솔버로 효율적으로 풀 수 있다. 기하학적으로는 l₁‖·‖의 단위 구가 다이아몬드 형태이며, 원점과 교차하는 최적점이 좌표축에 위치하면 해가 희소함을 시각화한다. 복원 알고리즘 섹션에서는 세 가지 그래디언트 기반 방법을 제시한다. (1) 기본 경사 하강법은 고정 스텝 µ를 사용해 f_{i+1}=f_i−µ∇L(f_i) 로 업데이트한다. (2) 최급강하법은 현재 그래디언트와 Hessian 근사값을 이용해 스텝 크기 µ_i= (∇Lᵀ∇L)/(∇LᵀM₀ᵀM₀∇L+ε) 로 동적으로 조정한다. (3) 뉴턴법은 (M₀ᵀM₀+εI)⁻¹을 직접 사용해 한 번에 최적점에 도달하도록 설계된다. 2‑D 예제 f(x,y)=(x+y)²+(x+1)²+(y+3)²의 등고선과 각 알고리즘의 궤적을 그림 2에 제시해, 수렴 속도와 경로 차이를 직관적으로 보여준다. 이미지 복원에 대한 구체적 구현은 두 가지 전략으로 나뉜다. 첫 번째는 희소 이미지(예: 에지가 뚜렷한 기하학적 이미지)에서 l₁‖·‖ 정규화 H(f)=L(f)+λ‖f‖₁을 사용한다. 절댓값 비미분점에서 서브그래디언트를 정의해, f_{i+1}=f_i−µ_i·∇H(f_i) 로 업데이트한다. λ는 초기에는 0.001~0.01 사이의 작은 상수로 두고, 뉴턴법에서는 반복마다 λ←(0.99~0.999)·λ 로 점진적으로 감소시킨다. 두 번째는 변환 영역에서 희소하지 않은 일반 이미지(특히 기하학적 구조가 풍부한 경우)에서 전변량(TV) 정규화 H(f)=L(f)+λ·TV(f)를 적용한다. TV는 수직·수평 차분 Dᵥ, Dₕ를 이용해 각 픽셀의 그래디언트 크기의 합으로 정의되며, ∇TV(f) = Dᵥ·(∇f/|∇f|) + Dₕ·(∇f/|∇f|) 형태의 서브그래디언트를 도출한다. 이를 이용해 동일한 그래디언트 업데이트 식에 적용한다. 논문은 전체 흐름을 정리하며, CS가 “측정 행렬이 신호와 비동조될 때, 소수의 측정만으로 원본을 복원할 수 있다”는 물리적 직관을 강조한다. 또한, 그래디언트 기반 최적화가 메모리 사용량을 최소화하면서도 빠른 수렴을 제공한다는 점을 부각한다. 다만, 실험적 검증이 전혀 제시되지 않았으며, 수식 전개가 비표준적인 형태로 서술돼 재현성이 낮다. 이러한 한계에도 불구하고, CS와 물리학적 개념을 연결하고, l₁·TV 혼합 정규화를 그래디언트 방식으로 구현하는 아이디어는 향후 연구에 유용한 출발점이 될 수 있다. **