압축 센싱: 신호 처리의 혁신적 전환

이 논문은 압축 센싱(Compressive Sensing, CS)의 개념, 수학적 기반, 알고리즘, 그리고 실제 응용에 이르는 전 과정을 포괄적으로 정리한다. 서론에서는 전통적인 샤논‑니퀴스트 샘플링 이론이 신호 복원을 위해 신호 대역폭에 비례하는 샘플을 요구하는 반면, CS는 신호가 **희소(sparse)** 혹은 **압축 가능(compressible)** 하다는 가정 하에 훨씬 적은 샘플만으로도 정확한 복원이 가능함을 소개한다. 이는 2000년대 초반 Candès, Donoho, Romberg, Tao 등의 연구에 의해 체계화되었으며, 기존의 신호 처리, 영상 복원, 통계적 변수 선택 등 다양한 분야와 연결된다. **희소 근사와 ℓ₀/ℓ₁ 문제** 신호 x∈ℝᴺ을 k‑희소(비영 원소가 k개 이하)라고 하면, 복원 목표는 측정 행렬 Φ∈ℝⁿˣᴺ와 관측 y=Φx를 이용해 x를 찾는 것이다. 이때 가장 직관적인 모델은 ℓ₀ “노름” 최소화(비영 원소 개수 최소화)이며, 이는 식 (2)·(3)으로 표현된다. 그러나 ℓ₀ 최소화는 NP‑hard이며 실용적 해법이 존재하지 않는다. CS는 이를 **볼록 완화**하여 ℓ₁ “노름”(절대값 합) 최소화 문제(식 (4)·(5))로 변환한다. ℓ₁ 최소화는 선형/볼록 최적화 기법으로 다항 시간에 해결 가능하고, 실제 실험에서 ℓ₀와 동일한 해를 제공한다는 현상이 관찰되었다. **제한등비속성(RIP)과 상호불일치도** ℓ₁ 최소화가 ℓ₀ 최적해와 일치하기 위한 충분조건으로 **제한등비속성(Restricted Isometry Property, RIP)** 가 도입된다. 행렬 Φ가 order k에 대해 상수 δₖ∈(0,1)으로 (1−δₖ)‖x‖₂² ≤ ‖Φx‖₂² ≤ (1+δₖ)‖x‖₂² 를 모든 k‑희소 x에 대해 만족하면, Φ는 신호를 거의 등거리로 보존한다. 정리 1에 따르면, Φ가 order 3k에 대해 δₖ가 충분히 작으면 ℓ₁ 최소화 해 x*는 원본 x와 ℓ₂ 오차가 O(k⁻¹ᐟ²‖x−x_k‖₁) 이하가 된다. 이는 측정 수 n이 k·log(N/k) 정도면 충분함을 의미한다. RIP와는 별도로 **상호불일치도(mutual incoherence)** 가 정의된다. 이는 Φ의 열 사이 최대 내적을 측정하며, 낮은 불일치도는 열이 거의 직교함을 의미한다. 불일치도가 작을수록 RIP가 만족될 확률이 높아진다. 그러나 RIP 검증은 조합적으로 어려워 실제 설계에서는 **널스페이스 특성(null space property)** 가 더 실용적이다. 널스페이스 특성은 Φx=0인 모든 비영 벡터 x에 대해 ‖x_T‖₁ < ‖x_{T^c}‖₁ (|T|≤k)와 같은 불균형을 요구한다. 정리 2는 널스페이스 특성이 RIP보다 약하지만 충분히 강력한 복원 보장을 제공함을 보여준다. **압축 가능 신호와 안정적 복원** 실제 신호는 완전히 희소하지 않다. 대부분은 **압축 가능(compressible)** 형태로, 적절한 사전(웨이브릿, DCT 등)에서 계수가 급격히 감소한다. 이러한 신호에 대해 ℓ₁ 최소화는 최적 k‑희소 근사와 거의 동일한 복원 오차를 제공한다. 정리 3은 Φ가 order 4k에 대해 RIP를 만족하고 δ₃ₖ+3δ₄ₖ<2이면, ℓ₁ 최소화 해 x*는 ‖x*−x‖₂ ≤ C·k⁻¹ᐟ²‖x−x_k‖₁ 를 만족함을 보인다. 이는 잡음이 있는 경우에도 ℓ₂ 오차가 잡음 수준에 비례해 안정적으로 증가함을 의미한다. **측정 행렬 설계** CS에서 가장 널리 사용되는 측정 행렬은 **무작위 행렬**이다. 가우시안, 베르누이, 서브가우시안 등 i.i.d. 확률분포를 갖는 행렬은 고확률로 RIP를 만족한다. 특히 n × N 행렬이 n ≈ C·k·log(N/k) 정도이면, 거의 모든 k‑희소 신호를 정확히 복원한다는 이론적 보장이 있다. 이러한 무작위 행렬은 실제 하드웨어 구현이 용이하고, MRI, 전자현미경, 라디오 천문학, 디지털 카메라 등 다양한 분야에 적용되고 있다. **알고리즘** ℓ₁ 최소화 문제는 **내부점법, 선형계획법, ADMM(Alternating Direction Method of Multipliers)** 등으로 해결된다. 대규모 문제에서는 **그리디 알고리즘**(매칭 퍼추트, 정규화된 OMP, 스테이지와이즈 OMP 등)과 **반복적 하드 임계값(Iterative Hard Thresholding, CoSaMP)** 가 사용된다. 그리디 방법은 계산량이 적어 실시간 시스템에 적합하지만, 특정 행렬(불일치도가 큰 경우)에서는 실패할 수 있다. 반면 ℓ₁ 기반 볼록 최적화는 이론적 보장이 강하지만 계산 비용이 높다. **응용 사례** 논문은 로건–셰프(LoGan–Shepp) 팬텀을 512×512 이미지에서 22개의 방사형 라인(전체 Fourier 계수의 5% 미만)만으로 정확히 복원한 실험을 제시한다(그림 1). 또한, 디지털 카메라에 단일 광자 검출기를 이용한 새로운 아날로그‑디지털 변환기, 의료 영상에서 방사선 피폭 감소, 센서 네트워크에서 데이터 전송량 절감 등 다양한 실제 적용 가능성을 논의한다. **결론 및 전망** 압축 센싱은 샤논‑니퀴스트 이론을 근본적으로 뒤흔드는 패러다임 전환이다. 수학적 기반(RIP, 널스페이스 특성, 압축 가능 모델)과 효율적인 알고리즘이 결합되어, 측정 비용이 높은 분야에서 획기적인 효율성을 제공한다. 앞으로는 측정 행렬의 구조적 설계(예: 부분 푸리에, 구조화된 랜덤 행렬)와 딥러닝 기반 복원 기법의 융합, 그리고 실시간 하드웨어 구현이 주요 연구 과제로 떠오를 것으로 기대된다.