이미지 분할 변분 완화의 최적성 경계

본 논문은 이미지 다중 클래스 라벨링 문제를 변분 형태의 최적화 문제로 정의하고, 그 볼록 완화에 대한 최적성 경계를 최초로 제시한다. 1. **문제 설정** - 이미지 영역 \(\Omega\subset\mathbb{R}^d\) 위에 라벨 함수 \(u:\Omega\to\mathbb{R}^l\) 를 정의하고, 라벨 집합 \(E=\{e_1,\dots,e_l\}\) (각 \(e_i\) 는 \(l\)‑차원 단위 벡터) 로 제한한다. - 목표 함수는 데이터 항 \(\int_\Omega\langle u(x),s(x)\rangle dx\) 와 정규화 항 \(\int_\Omega d\Psi(Du)\) 의 합이며, \(s(x)\in\mathbb{R}^l\) 는 픽셀별 라벨 비용을 나타낸다. - 정규화 \(\Psi:\mathbb{R}^{d\times l}\to\mathbb{R}_{>0}\) 는 양의 동차, 연속, 볼록성을 만족하고, 특히 거리 기반 메트릭 \(d(i,j)\) 에 의해 정의된 \(\Psi_d\) (식 9) 가 주요 관심 대상이다. 2. **볼록 완화** - 이산 제약 \(u(x)\in E\) 를 완화하여 단순체 \(\Delta_l=\operatorname{conv}(E)\) 위에 정의된 함수 공간 \(C=\mathrm{BV}(\Omega,\Delta_l)\) 를 고려한다. - 완화된 문제 \(\inf_{u\in C} f(u)\) 는 볼록이므로 프라이멀‑듀얼 알고리즘(예: Chambolle‑Pock)으로 전역 최적해를 구할 수 있다. 3. **라운딩 필요성 및 기존 한계** - 완화 해는 일반적으로 \(\Delta_l\setminus E\) 에 속하는 fractional 값을 갖는다. 실제 응용에서는 이산 라벨링이 필요하므로 라운딩이 필수적이다. - 기존 그래프‑컷 기반 LP 완화는 α‑expansion 등으로 라운딩 후 \(f(\bar u)\le \frac{\max_{i\neq j}d(i,j)}{\min_{i\neq j}d(i,j)}\,f(u^*_E)\) 와 같은 사전 경계를 제공한다. 그러나 연속 공간에서는 이러한 결과가 알려져 있지 않았다. 4. **확률적 라운딩 알고리즘** - 저자들은 Kleinberg‑Tardos의 LP 라운딩 아이디어를 BV 공간에 맞게 확장한다. 라운딩 매개변수 \(\gamma\) 는 라벨 간 거리 \(d(i,j)\) 에 비례하는 확률 분포를 정의한다. - 알고리즘 1은 \(u\in C\) 를 입력받아, 각 픽셀에 대해 확률적으로 라벨을 선택하고, 최종적으로 이산 라벨링 \(\bar u\in C_E\) 를 반환한다. 5. **주요 정리 및 증명 개요** - **정리 1**: \(\Psi\) 가 하한 \(\lambda_l>0\) 와 상한 \(\lambda_u<\infty\) 을 만족하면, Alg. 1에 의해 얻은 라운딩 해 \(\bar u\) 는 거의 surely 이산이며, 기대값에 대해 \