다차원 영속동형학의 영역 변동에 대한 안정성

초록

본 논문은 컴퓨터 비전·그래픽스에서 데이터 획득의 불완전성·불확실성을 고려해, 함수 변동에 대한 영속동형학의 안정성 결과를 영역 변동으로 확장한다. 집합을 거리함수로 인코딩함으로써, 다차원 매칭 거리와 Hausdorff 거리 사이에 상한 관계를 증명하고, 대칭 차이와 퍼지 집합의 sup‑거리에 대해서도 유사한 상한을 제시한다. 제안 방법은 원래 집합의 정보를 보존하며, 실험을 통해 실용성을 확인한다.

상세 요약

이 연구는 기존 영속동형학(stable persistent homology) 이론이 주로 ‘함수 변동(function perturbation)’에 초점을 맞추어 왔다는 점을 출발점으로 삼는다. 그러나 실제 이미지·점군 데이터는 촬영 오류, 센서 노이즈, 부분 가려짐 등으로 인해 ‘영역(domain)’ 자체가 변형되는 경우가 빈번하다. 저자들은 이러한 상황을 정량화하기 위해 여러 집합 거리 개념을 도입한다. 가장 기본적인 Hausdorff 거리 d_H(A,B)는 두 집합 A와 B 사이의 최대 최소 거리로, 집합 형태의 변동을 직관적으로 측정한다. 논문은 집합 A를 거리함수 ρ_A(x)=dist(x,A) 로 변환하고, 이를 기존의 실수값 필터 함수와 결합해 다차원 필터링(filtration)을 구성한다. 이렇게 하면 영속동형학의 랭크 불변량(rank invariant)은 원래 집합의 기하학적 구조를 그대로 반영하면서도, 거리함수의 연속성에 의해 Hausdorff 거리와 직접적인 연관성을 갖게 된다.

핵심 정리는 다음과 같다. 두 집합 A, B에 대해 거리함수 ρ_A, ρ_B를 정의하고, 이들을 다차원 필터링에 삽입한 뒤 얻은 영속동형학의 랭크 불변량 R_A, R_B에 대해 다차원 매칭 거리 D_match(R_A,R_B) ≤ d_H(A,B) 가 성립한다. 이는 매칭 거리의 정의가 ‘최소 비용 완전 매칭’을 기반으로 하므로, Hausdorff 거리라는 최악의 경우 상한이 매칭 거리에도 그대로 적용된다는 의미다.

또한 저자들은 Hausdorff 거리 외에도 두 가지 대안적 측정법을 검토한다. 첫 번째는 전통적인 집합 이론에서 쓰이는 대칭 차이(Symmetric Difference) ‖A△B‖_1 로, 이는 두 집합이 겹치지 않는 영역의 부피를 의미한다. 거리함수 대신 집합 특성 함수를 χ_A, χ_B 로 표현하고, 이들의 차이를 L^1‑노름으로 측정하면, 매칭 거리 역시 ‖A△B‖_1 에 의해 상한이 된다. 두 번째는 퍼지 집합(fuzzy set) 모델을 도입해 각 점에 소속도 μ_A(x)∈