과잉 파라미터 변분 문제를 위한 희소성 기반 프레임워크

**1. 서론** 신호·이미지 처리에서 두 가지 주요 패러다임인 희소 표현과 변분 최적화가 각각 성공을 거두었지만, 이들 사이의 연결 고리는 상대적으로 부족했다. 특히 총변분(TV) 정규화는 신호의 미분이 희소하다는 가정에 기반하지만, 파라미터 자체가 공간에 따라 변하는 경우(예: 구간선형, 다항 모델)에는 적용이 어려웠다. 최근 코스파스(분석) 모델이 이러한 간극을 메우는 가능성을 제시한다. **2. 과잉 파라미터화된 변분 프레임워크** 신호 f를 사전 정의된 함수 집합 {x_j(i)}와 공간‑가변 계수 b_j(i)의 곱으로 표현한다( f = Σ_j X_j b_j ). 이때 계수 벡터 b_j는 원래 신호보다 차원이 크므로 “과잉 파라미터화”라 부른다. 예시로 1‑D 구간선형 신호는 f(i)=a(i)+b(i)i 로 나타낼 수 있으며, a와 b는 각각 구간상수이다. 이러한 구조는 변분 연산자(예: Ω_DIF) 아래에서 a와 b가 동시에 희소함을 의미한다. **3. 합성·분석 희소성 모델** 전통적인 합성 모델은 신호가 사전 D의 희소 계수 α로 표현된다고 가정한다( f = Dα ). 반면 분석 모델은 Ωf가 희소하다고 가정한다(Ω는 차분, 라플라스 등). 코스파스 모델은 특히 Ω_DIF와 같은 차분 연산자에 대해 신호가 구간상수(희소)임을 명시한다. **4. 공동·블록 희소성을 이용한 복원 문제** 구간선형 경우 a와 b가 동일한 변곡점 위치를 공유하므로, Ω_DIF·a와 Ω_DIF·b의 비영 인덱스가 동일하다. 이를 “공동 희소성” 제약으로 수식화하면  min_{a,b} ‖g - M