곡률 정규화를 이용한 영역 기반 이미지 분할 및 인페인팅의 선형 최적화 프레임워크

초록

본 논문은 초기값에 의존하지 않는 곡률 정규화 기반 영역 분할·인페인팅 방법을 제안한다. 셀 복합체(cell complex)를 이용해 영역 변수와 경계 변수 사이의 연속성 제약을 정의하고, 이를 정수 선형 계획(ILP) 형태로 모델링한다. 곡률을 반영하기 위해 인접 경계 요소 쌍을 추가하고, LP 완화를 통해 전역 최적에 근접한 해를 얻는다. 실험 결과, 길고 얇은 구조에 대해 길이 정규화보다 곡률 정규화가 현저히 우수함을 보인다.

상세 분석

이 논문은 기존의 길이 기반 정규화가 갖는 수축 편향과 얇은 구조 손실 문제를 극복하기 위해, 곡률 정규화를 영역 기반 에너지 함수에 직접 통합하는 새로운 최적화 프레임워크를 제시한다. 핵심 아이디어는 이미지 영역을 기본 셀(basic region)로 분할하고, 각 셀의 경계선을 경계 요소(boundary element) 로 정의한 뒤, 셀과 경계 요소 사이에 표면 연속성(surface continuation) 제약을 부여하는 것이다. 이 제약은 각 셀의 전경/배경 라벨과 경계 요소의 활성화 여부가 일관되도록 선형 방정식 형태로 표현된다.

정수 선형 프로그램(ILP)에서는 두 종류의 이진 변수—셀 변수 (y_f^R)와 경계 변수 (y_e^B)—를 도입한다. 데이터 항은 셀 변수에 대한 지역 적합도 (c_f^R = \int_f g(x)dx) 로, 정규화 항은 경계 변수에 대한 길이 가중치 (c_e^B = \nu \ell(e)) 로 정의된다. 곡률 정규화를 포함하려면, 인접 경계 요소 쌍 ((e_i, e_j))에 대한 추가 변수와 비용 (c_{ij}^{K}) 를 도입한다. 여기서 비용은 두 경계 요소 사이의 각도 차이를 이용해 곡률 근사값을 계산하고, 곡률 가중치 (\lambda) 로 스케일링한다.

곡률 제약을 정확히 반영하기 위해 곡률 연속성 제약을 추가한다. 이는 한 셀의 경계가 두 인접 경계 요소에 의해 구성될 때, 두 요소가 동시에 활성화되도록 강제한다. 또한, 경계 변수의 과다 활성화를 방지하기 위해 불필요한 쌍 제거 제약을 도입한다. 이러한 제약 집합은 전체 ILP가 실제 영역 경계와 정확히 일치하도록 보장한다.

ILP 자체는 NP‑hard이지만, 논문은 LP 완화(연속 변수로 변환) 후 최적해를 구하고, 0.5 임계값을 이용해 이진화하는 전략을 사용한다. 실험에서는 LP 완화 해가 원래 정수 해와 평균 1.3 % 이내의 에너지 차이를 보이며, 이는 전역 최적에 매우 근접함을 의미한다.

알고리즘 복잡도 측면에서, 셀 복합체를 8‑또는 16‑연결성으로 세분화함으로써 경계 요소 수를 크게 늘리지만, 이는 곡률 근사의 정확성을 높이고, 그래프 컷 기반 방법이 다루기 어려운 고차 정규화 항을 선형화하는 데 필수적이다. 또한, 기존 그래프 컷과 비교했을 때, 제안된 모델은 플래너리 그래프 구조를 유지하므로 다항 시간 최소 비용 흐름 알고리즘으로도 해결 가능하다.

실험 결과는 두 가지 주요 도메인에서 검증된다. 첫째, 이미지 분할에서는 얇은 다리 구조와 같은 긴 객체가 길이 정규화에서는 사라지지만, 곡률 정규화에서는 정확히 복원된다. 둘째, 인페인팅에서는 손상된 영역의 레벨 라인(level line)이 곡률을 고려해 자연스럽게 이어지며, 시각적으로 더 일관된 복원 결과를 제공한다. 전체적으로, 이 연구는 곡률 정규화를 전역 최적화 프레임워크에 성공적으로 통합함으로써, 초기값에 민감하지 않은 강건한 영역 기반 이미지 처리 방법을 제시한다.