분리 가능한 사전 학습으로 효율적인 이미지 복원

초록

본 논문은 이미지 패치에 대한 사전(dictionary)을 Kronecker 곱 형태의 두 작은 사전 A와 B로 분리하여 학습하는 방법을 제안한다. 단위 구면(product of spheres) 위에서 Riemannian conjugate gradient 최적화를 수행하고, 상호 결합도(mutual coherence)를 로그‑배리어 함수로 정규화한다. 실험에서는 8×8 패치에 대해 비분리 사전과 비교해 유사한 복원 성능을 보였으며, 64×64 얼굴 이미지에 대한 인페인팅에서도 전역 정보를 효과적으로 복구한다.

상세 분석

SeDiL(Separable Dictionary Learning)은 기존의 비구조적 사전 학습이 고차원 패치에 적용되기 어려운 문제를, 사전을 D = B ⊗ A 형태의 Kronecker 곱으로 제한함으로써 해결한다. 여기서 A∈ℝ^{h×a}, B∈ℝ^{w×b}이며, h·w = n(패치 전체 픽셀 수)이고 a·b = d(원자 수)이다. 이 구조는 사전 적용 시 행렬‑벡터 연산을 두 단계의 작은 행렬 연산으로 분해해 O(√n) 복잡도로 계산을 가능하게 한다.
학습 목표 함수는 재구성 오차 ‖AX_jBᵀ − S_j‖F², 스파스성 촉진 g(X)=∑ln(1+ρ|x|²), 그리고 A와 B의 상호 결합도 r(A)+r(B) 를 가중치 λ, κ 로 결합한 형태이다. r(·)=−∑{i<j}ln(1−|d_iᵀd_j|²) 은 미분 가능하고, 로그‑배리어 특성으로 동일 원자 중복을 방지한다.
제약조건으로 A와 B의 열을 단위 길이로 정규화하여 구면 곱 S(h,a)·S(w,b) 위에 놓는다. 이는 매 반복마다 정규화 투영 Π_{T_D S}=Q−D·diag(DᵀQ) 로 구현된다. 최적화는 Riemannian conjugate gradient 방법을 사용하고, 라인 서치에서는 구면 위의 대원(great‑circle) 지오데식을 이용해 단계 길이 α를 조정한다.
이론적으로 Kronecker 곱의 결합도는 µ(B⊗A)=max{µ(A),µ(B)} 로 증명되며, 따라서 r(A)+r(B) 를 최소화하면 전체 사전의 결합도도 제한된다. 실험에서는 (i) 8×8 패치에 대해 비분리 K‑SVD와 동등하거나 약간 우수한 PSNR를 얻었고, (ii) 64×64 얼굴 이미지에 대해 대규모 결손 영역을 복원할 때 전역 구조를 잘 보존함을 확인했다. 또한, 비분리 모드(B=1)에서는 기존 K‑SVD와 경쟁하는 성능을 보이며, 분리 모드에서는 DCT와 같은 분석적 사전보다 현저히 높은 복원 품질을 달성한다.