다중 시점 특징 학습: 변환 인코딩과 불변 특성의 탐구

본 논문은 “다중 시점(feature learning)”이라는 새로운 패러다임을 이론적으로 정립하고, 이를 통해 변환을 인코딩하는 메커니즘을 명확히 밝힌다. 전통적인 희소 코딩은 단일 이미지의 픽셀 값을 최소한의 활성화로 재구성하는 데 초점을 맞추지만, 다중 시점 학습은 두 개 이상의 관측 사이에 존재하는 변환 관계 자체를 모델링한다는 점에서 근본적인 차이를 가진다. 저자들은 이러한 차이를 수학적으로 공식화하기 위해, 여러 이미지 워프 \(W^{(k)}\) 가 동일한 고유공간을 공유한다는 가정을 도입한다. 이 고유공간은 이미지 패치의 기본 구조(에지, 코너 등)를 나타내는 고유벡터 \(\{u_i\}\) 와, 각 워프에 대한 고유값 \(\{\lambda_i^{(k)}\}\) 으로 구성된다. 고유벡터가 공유된다는 사실은 변환이 고유공간 내에서 회전(phase shift) 형태로 표현될 수 있음을 의미한다. 구체적으로, 각 변환 \(W^{(k)}\) 는 고유공간 \(i\) 에서 회전 각도 \(\theta_i^{(k)}\) 를 갖는 복소수 회전 연산으로 나타낼 수 있다. 이때 숨겨진 변수 \(h_i\) 는 단순히 “활성화 여부”가 아니라, 해당 고유공간에서의 회전 각도를 추정하는 역할을 한다. 수식적으로는 두 정규 직교 벡터 \(a_i, b_i\) (복합 셀 필터쌍)의 선형 결합 형태인 \