지역 최소 강도 사전과 효율적인 블라인드 이미지 디블러링 알고리즘

본 논문은 블라인드 이미지 디블러링 분야에서 최근 각광받고 있는 복합 이미지 사전들의 계산 복잡도와 근사 해법의 한계를 지적하고, 이를 극복하기 위한 새로운 접근법을 제시한다. 먼저 저자들은 “패치‑와이즈 최소 픽셀(Patch‑wise Minimal Pixels, PMP)”이라는 로컬 강도 기반 사전을 정의한다. 이미지 I를 r×r 비중첩 패치로 나누고, 각 패치 내 최소 색상 채널값을 추출해 벡터 P(I)로 만든다. 블러는 이미지의 고주파 성분을 억제하고 전반적인 밝기를 평탄화시키기 때문에, 블러 전후의 최소 픽셀 값은 일반적으로 증가한다. 이를 정량적으로 보여주기 위해 5,000여 장의 자연 이미지와 그에 대응하는 블러 이미지에 대해 PMP 히스토그램을 비교했으며, 선명 이미지의 PMP는 0.9 이하 임계값에서 하이퍼라플라시안 분포를 따르는 높은 희소성을 보였다. 반면 블러 이미지에서는 비제로 원소 비율이 크게 늘어나며, 이 차이가 커널 추정 단계에서 강력한 구분 신호로 활용될 수 있음을 확인했다. 이론적으로도 “P(B) ≥ P(I)”라는 부등식을 증명해 블러가 PMP 값을 비단순히 증가시킨다는 점을 보였다. 다음으로 저자들은 MAP(Maximum A Posteriori) 프레임워크에 PMP 희소성을 직접 포함시키는 새로운 최적화 알고리즘을 설계한다. 기존의 MAP 기반 디블러링은 데이터 적합도 ‑ ℓ2, 커널 정규화 ‑ ℓ2, 이미지 정규화 ‑ ℓ0(그래디언트) 형태로 구성되며, 복합 사전들을 포함하려면 반이차 분할(Half‑Quadratic Splitting) 등 근사 기법을 도입해야 한다. 이러한 근사 방식은 서브문제의 비명시적 성격 때문에 최적성 보장이 어려우며, 연산량도 크게 늘어난다. 저자들은 이를 피하기 위해 PMP에 대한 ℓ0 정규화 항 α‖P(I)‖₀ 를 직접 목적식에 추가하고, 교대 최적화(Alternating Minimization) 방식을 채택한다. 구체적으로는 (1) 커널 k 업데이트 단계에서 ‑ ℓ2 데이터 적합도와 ‑ ℓ2 커널 정규화를 결합해 FFT 기반 닫힌 형태 해를 얻는다. (2) 이미지 I 업데이트 단계에서는 그래디언트 ℓ0와 PMP ℓ0 두 개의 비연속 정규화 항을 동시에 다루어야 하는데, 이를 위해 가중치가 점진적으로 감소하는 스케줄링 기법과 임계값 기반 하드‑쓰레싱을 적용한다. 결과적으로 기존 방법이 사용하던 고정된 반이차 파라미터에 비해 수렴 속도가 빠르고, 근사 해에 의존하지 않아 더 안정적인 커널 추정이 가능해진다. 알고리즘 복잡도 측면에서 PMP는 비중첩 패치 단위로 계산되므로 전체 연산량이 O(mn/r²) 로, 다크채널(DCP)과 같은 O(mn) 방식보다 훨씬 효율적이다. 전체 최적화 루프는 FFT와 원소별 연산만 포함하므로 GPU 가속 시 실시간 수준에 근접한다. 실험에서는 다양한 커널 크기(17×17~35×35)와 가우시안 잡음 수준에서 PSNR와 SSIM을 평가했으며, 제안 방법은 DCP, EP(Extreme Channel Prior), LMG(Local Maximum Gradient) 등 최신 기법 대비 평균 0.5~1.2 dB 높은 PSNR와 2~3% 높은 SSIM을 기록했다. 또한 실행 시간은 기존 방법 대비 30%~50% 정도 단축되었다. 특수 도메인(텍스트, 저조도, 얼굴 이미지)에서도 기존 사전이 종종 커널을 오추정하거나 복원 품질이 저하되는 경우가 있었지만, PMP 기반 방법은 일관된 커널 추정과 선명 복원을 보여 강인성을 입증했다. 결론적으로, 이 논문은 (1) 블러에 민감한 간단한 통계량인 PMP를 통해 선명 이미지와 블러 이미지 사이의 강도 차이를 효과적으로 포착하고, (2) MAP 프레임워크에 PMP 희소성을 명시적으로 통합함으로써 근사 해에 의존하지 않는 효율적이고 안정적인 디블러링 알고리즘을 제시한다는 두 가지 주요 기여를 한다. 제안된 방법은 계산 자원이 제한된 실시간 응용이나 임베디드 시스템에서도 적용 가능하며, 향후 복합 사전과 딥러닝 기반 모델을 결합하는 연구에도 유용한 기반을 제공한다.