희소 신호 복원을 위한 변형 파풀리스 게르치베크 알고리즘

초록

본 논문은 파풀리스‑게르치베크 알고리즘에서 영감을 얻어, 관측 수가 신호 차원보다 현저히 적은 상황에서 희소 신호를 복원하기 위한 새로운 반복 임계값 적용 알고리즘을 제안한다. 제안 알고리즘은 기존의 임계값 기반 Landweber 반복과 구조적으로 유사하지만, 제약 유지 단계와 관측 복원 단계를 명확히 구분한다. 실험을 통해 1‑차원 합성 신호와 2‑차원 의료 영상(MRI) 복원에서 L1 최소화 및 TV 최소화와 비교했을 때 평균 제곱오차(MSE)와 피크 신호대 잡음비(PSNR) 면에서 우수함을 확인하였다.

상세 분석

제안된 알고리즘은 먼저 기존 Papoulis‑Gerchberg 방식의 핵심 아이디어를 차용한다. 원본 Papoulis‑Gerchberg는 알려진 구간을 보존하면서 주파수 대역 제한이라는 제약을 반복적으로 적용해 신호를 복원한다. 이를 희소성 제약으로 전환하기 위해 저자는 두 단계의 연산을 도입한다. 첫 번째 단계는 현재 추정값 fₙ₋₁에 대해 소프트 임계값 연산 S_γ를 적용해 희소성을 강제한다. 여기서 S_γ는 파라미터 γ에 따라 각 계수를 s_γ(·) 함수로 축소하거나 0으로 만든다. 두 번째 단계는 관측 모델 g = Kf + e를 이용해, 임계값 처리된 신호 hₙ = S_γ(fₙ₋₁)를 K의 켤레 연산자 K와 결합해 관측 오차를 보정한다. 즉, fₙ = hₙ + K(g – K hₙ) 로 정의된다. 이를 정리하면 fₙ = K*(g + S_γ(fₙ₋₁) – K S_γ(fₙ₋₁)) 가 된다.

수식 (10)은 전통적인 Landweber 반복 fₙ = S_γ(fₙ₋₁ + K*(g – K fₙ₋₁)) 와 형태가 비슷하지만, 임계값 연산을 먼저 수행하고 그 결과를 관측 복원에 투입한다는 점에서 차별화된다. 이 구조는 “제약 유지 → 관측 복원”이라는 순환을 명시적으로 구현함으로써, 희소성 제약이 매 반복마다 정확히 적용되는 동시에 관측 데이터와의 일관성도 유지한다.

알고리즘 수렴성에 대한 이론적 증명은 논문에서 생략되었으며, 향후 연구 과제로 남겨두었다. 그러나 기존 문헌(특히 Daubechies 등