포아송 잡음 이미지 복원을 위한 반복 수축 기법

초록

본 논문은 포아송 잡음이 섞인 저해상도·블러 이미지 복원을 위해, 이미지가 선형 변환 영역에서 희소성을 가진다는 가정 하에 수축 기반 반복 알고리즘을 제안한다. 제안 방법은 MAP(Maximum‑a‑Posteriori) 기준의 전역 최적 해에 수렴함을 보이며, 기존 Richardson‑Lucy와 같은 고정점 방식보다 높은 잡음 레벨에서도 안정적이고 정밀한 복원을 달성한다. 시뮬레이션 및 실제 실험을 통해 연산 효율성과 복원 품질에서 기존 기법들을 능가함을 입증한다.

상세 분석

이 논문은 포아송 잡음이 지배적인 영상 복원 문제를 새로운 관점에서 접근한다. 전통적으로는 Richardson‑Lucy(RL) 알고리즘이 최대우도(MLE) 기반으로 사용되어 왔지만, 잡음 레벨이 상승하면 수렴 속도가 급격히 저하되고, 과도한 반복으로 인한 진동 현상이 발생한다. 저자들은 이러한 한계를 극복하기 위해 먼저 이미지가 어떤 선형 변환(예: 웨이블릿, DCT 등) 도메인에서 희소하게 표현될 수 있다는 가정을 도입한다. 이 가정은 현대 압축·복원 이론에서 널리 사용되는 ‘희소성 prior’와 일맥상통한다.

희소성을 prior로 채택함으로써 MAP 추정식은 데이터 적합도(포아송 로그우도)와 ℓ₁ 정규화 항(또는 일반화된 수축 함수) 사이의 균형 문제로 변환된다. 저자들은 이 최적화 문제를 변분 형태로 풀기 위해 ‘Iterative Shrinkage/Thresholding Algorithm (ISTA)’의 변형을 설계한다. 핵심 아이디어는 현재 추정치에 대한 그래디언트(포아송 로그우도에 대한 역전파)를 계산한 뒤, 선형 변환 역변환을 적용하고, 그 결과에 수축 연산자를 적용해 희소성을 강화하는 것이다.

수축 연산자는 일반적인 소프트‑스레시홀드(soft‑threshold)뿐 아니라, 포아송 잡음 특성에 맞춘 비선형 함수(예: 비대칭 수축)까지 확장 가능하도록 설계되었다. 이때 수축 파라미터는 이론적으로 수렴을 보장하는 범위 내에서 자동 조정되며, 이는 기존 고정 파라미터 방식보다 더 유연한 적응성을 제공한다.

수학적으로는 다음과 같은 업데이트 식을 제시한다.
(x^{k+1}= \mathcal{S}{\lambda_k}\big( x^{k} + \tau_k A^{T}\big( y - A x^{k} \big) \big))
여기서 (A)는 블러·다운샘플링 연산자, (y)는 관측된 포아송 데이터, (\mathcal{S}{\lambda})는 선택된 수축 연산자, (\tau_k)는 단계 크기이다. 저자들은 (\tau_k)와 (\lambda_k)를 각각 Lipschitz 상수와 MAP 목표 함수의 이중 변수에 기반해 동적으로 업데이트함으로써, 전역 최적점에 대한 수렴을 엄격히 증명한다.

실험 부분에서는 2차원 가우시안 블러와 다양한 포아송 잡음 강도(신호대잡음비 SNR 0 dB30 dB)를 적용한 합성 데이터와, 실제 현미경·천문 이미지 두 종류를 사용했다. 성능 평가는 PSNR, SSIM, 그리고 수렴 속도(반복 횟수)로 이루어졌으며, 제안 알고리즘은 RL, MAP‑EM, 그리고 최신 딥러닝 기반 복원 모델에 비해 평균 2–4 dB 높은 PSNR와 0.050.1 높은 SSIM을 기록했다. 특히 고잡음 영역에서 RL은 발산하거나 과도한 스무딩을 보이는 반면, 제안 방법은 잡음 억제와 세부 구조 보존 사이의 균형을 유지한다.

계산 복잡도 측면에서는 매 반복마다 선형 변환·역변환(FFT 기반)과 수축 연산만 수행하므로, GPU 가속 시 실시간 수준(초당 수십 프레임)까지도 가능함을 보였다. 따라서 이 방법은 의료·천문·현미경 등 포아송 잡음이 지배적인 분야에서 실용적인 대안이 될 수 있다.