그래프 라플라시안 고유벡터 교란과 이미지 잡음 제거

초록

본 논문은 이미지 패치 그래프의 라플라시안 고유벡터가 잡음에 대해 얼마나 강인한지를 이론적으로 분석하고, 이를 활용한 새로운 이미지 디노이징 알고리즘을 제안한다. 저차원 고유벡터는 무작위 가중치 변동과 연결 변화에 크게 영향을 받지 않으며, 평탄 영역의 패치는 저차원 매니폴드에 몰려 있어 소수의 고유벡터만으로도 정확히 복원될 수 있다. 실험 결과, 제안 방법은 기존 최첨단 디노이징 기법들을 능가한다.

상세 분석

본 연구는 두 가지 핵심 가정을 기반으로 한다. 첫 번째는 그래프 라플라시안의 저차원(저인덱스) 고유벡터가 무작위 잡음에 의해 가중치가 변하거나 그래프의 연결 구조가 약간 바뀌어도 크게 변하지 않는다는 점이다. 이를 수학적으로는 고유값 간격(gap)이 충분히 클 때 고유벡터가 작은 퍼트베이션에 대해 안정적이라는 고전적인 스펙트럴 이론과 연결시킨다. 논문에서는 패치-그래프의 가중치를 유클리드 거리 기반 Gaussian 커널로 정의하고, 잡음이 추가된 이미지에서 동일한 패치를 추출했을 때 가중치 행렬이 어떻게 변하는지를 정량적으로 분석한다. 실험적으로는 다양한 잡음 수준(σ=530)에서 고유벡터의 코사인 유사도를 측정해, 저차원 고유벡터가 0.9 이상의 유사도를 유지함을 확인한다. 두 번째 가정은 “평탄 영역의 패치들은 저차원 매니폴드에 정렬된다”는 것이다. 실제 이미지에서 부드러운 영역은 색상·강도 변화가 서서히 일어나므로, 해당 패치들의 고차원 특징 공간은 저차원 선형 혹은 비선형 구조를 형성한다. 저차원 라플라시안 고유벡터는 이러한 매니폴드의 좌표축 역할을 하며, 몇 개의 고유벡터만으로도 원본 패치를 근사할 수 있다. 논문은 이를 검증하기 위해, 각 패치를 고유벡터 기반 선형 결합으로 재구성하고 재구성 오차를 측정한다. 결과는 저차원(예: 첫 1020개 고유벡터)만 사용해도 평탄 영역의 재구성 PSNR이 30dB 이상이며, 고차원 고유벡터를 추가해도 개선 폭이 미미함을 보여준다. 이러한 두 관찰을 결합해 제안된 디노이징 알고리즘은 다음과 같은 절차를 따른다. 1) 노이즈가 섞인 이미지에서 모든 겹치는 패치를 추출하고, 패치-그래프를 구성한다. 2) 라플라시안 행렬을 계산하고, 저차원 고유벡터들을 구한다. 3) 각 패치를 저차원 고유벡터 공간에 투사하여 계수를 얻고, 노이즈가 감소된 계수만을 사용해 패치를 재구성한다. 4) 재구성된 패치를 겹치는 영역에서 평균을 취해 최종 복원 이미지를 만든다. 핵심은 고유벡터 자체는 잡음에 강인하고, 패치 자체는 저차원 구조에 의해 효율적으로 표현될 수 있다는 점이다. 실험에서는 BSD68, Set12 등 표준 데이터셋을 사용해 PSNR 및 SSIM을 평가했으며, 특히 σ=2550 구간에서 기존 BM3D, DnCNN 등과 비교해 평균 0.30.5dB 높은 PSNR을 기록했다. 또한 계산 복잡도 측면에서도 고유벡터 계산을 한 번만 수행하고, 이후 단계는 선형 연산에 국한되므로 GPU 가속 시 실시간 수준에 근접한다.