베이지안 광류와 불확실성 정량화

본 논문은 광류(optical flow) 추정을 기존의 변분 최적화 접근법에서 통계적 베이지안 역문제로 전환하는 방법론을 제시한다. 서론에서는 광류가 영상 처리, 로봇공학, 기후 모델링 등 다양한 분야에서 핵심 역할을 함을 강조하고, 전통적인 Horn‑Schunck, TV‑L1 등은 데이터 적합도와 정규화 항을 결합한 점 추정 방식을 사용한다는 점을 지적한다. 이러한 점 추정은 정규화 파라미터 α 의 선택에 크게 의존하며, 픽셀별 불확실성 정보를 제공하지 못한다는 한계가 있다. 2절에서는 광류 문제를 수학적으로 정의한다. 두 연속 이미지 F, G를 각각 F(x,y), G(x,y) 의 이산화된 형태로 보고, 흐름 벡터 U, V 를 구하고자 한다. 밝기 보존 방정식 F_x U + F_y V + F_t = 0 을 기반으로, 변분 에너지 E(U,V) = ∫(F_x U + F_y V + F_t)² + α∫(‖∇U‖² + ‖∇V‖²) dxdy 을 제시한다. 이어서 이 연속식들을 전방 차분을 이용해 이산화하고, 행렬 A, b, Q 를 정의한다. 데이터 적합도 항은 ‖A x − b‖², 정규화 항은 α xᵀQx 으로 변환되며, 이는 전형적인 선형 최소제곱 문제와 Tikhonov 정규화 형태와 동일함을 보인다. 3절에서는 이러한 선형 역문제의 고전적 해법을 리뷰한다. 최소제곱 해 x̂ = A†b 와 Tikhonov 정규화 해 x_α = (AᵀA + αL)⁻¹Aᵀb 를 소개하고, 정규화 파라미터 선택의 어려움을 강조한다. 특히, α가 너무 작으면 잡음에 민감하고, 너무 크면 과도하게 부드러워진다. 4절이 논문의 핵심으로, 베이지안 통계 역문제 접근을 제시한다. 파라미터 x 에 대해 사전분포 p(x) ∝ exp(−½ α xᵀQx) 를 설정하고, 관측 노이즈를 가우시안 η ~ N(0,σ²I) 로 가정한다. 그러면 우도 p(b|x) ∝ exp(−½ ‖A x − b‖²/σ²) 가 되고, 사후분포는 다변량 정규분포 형태가 된다. α와 σ²와 같은 하이퍼파라미터는 감마분포 등으로 사전 지정해 완전 베이지안 모델을 만든다. 사후분포는 직접 계산이 어려우므로, 저자들은 마코프 체인 몬테카를로(MCMC) 방법, 특히 메트로폴리스–헤이스팅스 알고리즘을 이용해 샘플을 추출한다. 샘플링 과정에서 고차원 선형 시스템을 효율히 풀기 위해 사전조건된 conjugate gradient 혹은 multigrid 방법을 사용한다. 샘플링된 x 시퀀스는 평균 흐름 E