에피톰 기반 희소 이미지 표현 및 학습 방법

초록

본 논문은 이미지 패치를 작은 이미지인 에피톰에서 추출한 패치 집합으로 구성된 구조화된 사전을 이용해 희소 코딩을 수행하는 새로운 프레임워크를 제안한다. 에피톰은 파라미터 수를 크게 줄이며 이동 불변성을 제공하고, 제안된 최적화 알고리즘은 사전과 계수를 교대로 업데이트하는 블록 좌표 하강법과 가속화된 그래디언트 기법을 결합한다. 실험 결과, 에피톰 기반 사전은 전통적인 ‘플랫’ 사전과 비교해 비슷하거나 더 나은 잡음 제거 성능을 보이며, 다중 에피톰 확장으로 이동‑불변 사전도 자연스럽게 구현한다.

상세 분석

이 논문은 기존의 희소 코딩에서 사용되는 ‘플랫’ 사전(각 원소가 독립적인 패치)과 달리, 에피톰이라는 작은 이미지 전체를 사전의 파라미터 공간으로 삼는다. 에피톰 E∈ℝ^M 에서 겹치는 모든 m‑픽셀 패치를 추출하는 선형 연산 ϕ:E↦D∈ℝ^{m×p} 를 정의함으로써, D는 사실상 ϕ(E) 라는 이미지‑시그니처 사전이다. 이 구조는 p≈(√M−√m+1)^2 개의 원자를 제공하면서도 학습해야 할 파라미터는 M 개에 불과하므로 메모리와 연산량을 크게 절감한다.

핵심 수식은 기존의 제약형 사전 학습식
min_{D∈𝒟, A} ½‖X−DA‖_F^2 + λ‖A‖1
을, D∈Imϕ 라는 선형 제약을 도입하고, 𝒟 제약을 없앤 등가 형태
min{D∈Imϕ, A} ½‖X−DA‖_F^2 + λ∑_j‖d_j‖2|α{j,i}|
으로 변형한다. 여기서 가중치 ‖d_j‖_2는 각 원자의 스케일 차이를 보정해, ‖d_j‖_2가 큰 원자는 정규화 효과가 약해져 실제 희소성에 더 큰 영향을 미친다.

알고리즘은 두 단계로 구성된다.

1. A‑업데이트: D가 고정된 상태에서 각 샘플 x_i에 대해 가중 ‖d_j‖_2 를 포함한 LASSO 문제를 LARS 로 해결한다. 이때 Γ=diag(‖d_j‖_2) 를 이용해 D′=DΓ^{-1} 로 변환하면 표준 ‖·‖_1 정규화 형태가 된다.
2. D‑업데이트: A가 고정된 상태에서 f(D)=½‖X−DA‖_F^2+λ∑_j‖d_j‖_2‖α_j‖1 를 최소화한다. 그래디언트는 ∇f=−(X−DA)A^T + DΔ (Δ는 위 가중치를 포함)이며, D는 Imϕ 로 투영한다. 투영 연산 Π{Imϕ}=ϕ∘ϕ^* 로 닫힌 형태를 갖는데, ϕ^*는 D의 각 픽셀을 해당 에피톰 위치에 평균하는 연산이다.

수렴 속도를 높이기 위해 FISTA와 같은 가속화 그래디언트 방법을 적용했으며, 다중 스케일 학습을 도입해 작은 에피톰을 먼저 학습한 뒤 점진적으로 확대해 초기값을 개선한다. 또한 단일 에피톰 대신 N개의 에피톰을 동시에 학습함으로써 자연스럽게 이동‑불변 사전을 구현한다.

실험에서는 표준 이미지 잡음 제거 베이스라인(KSVD, BM3D 등)과 비교했을 때, 단일 에피톰 사전은 비슷한 PSNR을 달성했으며, 다중 에피톰은 특히 텍스처가 복잡한 이미지에서 성능 향상을 보였다. 파라미터 수가 현저히 적음에도 불구하고, 사전 원자 간 중복(겹침)으로 인해 표현력이 유지되는 점이 핵심 장점이다.