라플라스 피크와 임의 신호 복원을 위한 압축감지·초해상도·필터 대각화 비교 연구

초록

본 논문은 제한된 시간표본으로부터 주파수 스펙트럼을 복원하는 세 가지 최신 기법—압축감지(Compressed Sensing), 초해상도(Super‑Resolution), 그리고 필터 대각화(Filter Diagonalization)—를 체계적으로 벤치마크한다. 라플라스 형태의 신호에는 필터 대각화가 가장 정확한 재구성을 제공하고, 스파스하지 않은 임의 신호(가우시안, 무작위 라우엔티안 합성, Jacob’s Ladder 등)에는 압축감지와 초해상도가 우수함을 실험적으로 입증한다.

상세 분석

이 연구는 먼저 이론적 배경을 정리한다. 전통적인 DFT는 샘플링 레이트에 의해 결정되는 최대 주파수와 해상도에 제한을 받으며, 이는 Shannon‑Nyquist 정리로 요약된다. 압축감지는 신호가 사전에 정의된 기저(예: 복소 지수, 사인·코사인, 감쇠 코사인 등)에서 스파스하다는 가정 하에, 전체 시간 구간을 무작위로 샘플링하고 L1 최소화 문제를 풀어 스파스 계수를 복원한다. 초해상도는 동일한 L1 프레임워크를 사용하지만, 짧은 구간을 균일하게 샘플링한다는 점에서 차별화된다; 이는 정규화된 샘플링 행렬이 RIP(Restricted Isometry Property)를 만족하도록 설계돼, Nyquist 한계의 1/4 수준까지 주파수를 복원할 수 있다. 필터 대각화는 전혀 다른 접근법으로, 신호를 유니터리 전파 연산자 U = e^{-iΩτ}의 시간 진화로 모델링하고, Krylov 기저를 이용해 U와 겹침 행렬 S를 직접 시간표본으로 구성한다. 일반화된 고유값 문제 U B = λ S B를 해결함으로써 라플라스 피크(주파수 ω_j, 감쇠 γ_j, 진폭 λ_j)를 추정한다.

실험 설계는 Sparco 툴박스에 포함된 스파스 신호와 저자들이 추가 만든 가우시안, 무작위 라우엔티안 합성, Jacob’s Ladder 신호를 4096점(0–1 s)으로 샘플링한 뒤, 각 방법별로 샘플 수를 64점 단위로 감소시키며 복원 오차를 2‑norm 기준으로 측정한다. 압축감지는 무작위 선택된 포인트를, 초해상도와 필터 대각화는 등간격 포인트를 사용한다. 필터 대각화는 0–20 kHz 범위에 0.5 Hz 간격의 그리드를 사전 튜닝해 최적 파라미터를 확보한다.

결과는 두 가지 주요 패턴을 보여준다. 1) 라우엔티안(또는 감쇠 라플라스) 형태의 신호에서는 필터 대각화가 최소 샘플 수(≈10 % 전체)만으로도 정확한 피크 위치와 진폭을 복원한다. 이는 전제 가정(신호가 라플라스 합)과 Krylov 기저가 실제 신호 구조를 효과적으로 포착하기 때문이다. 2) 가우시안 혹은 비스파스 신호에서는 필터 대각화가 과적합이나 스펙트럼 왜곡을 일으키는 반면, 압축감지와 초해상도가 L1 정규화 덕분에 노이즈에 강하고, 특히 압축감지는 무작위 샘플링으로 정보량을 고르게 분산시켜 적은 샘플에서도 안정적인 복원을 달성한다. 초해상도는 등간격 샘플링이 제한적이지만, 짧은 구간에서도 높은 주파수 해상도를 유지한다는 장점이 있다.

또한, 계산 복잡도 측면에서 압축감지는 대규모 선형 프로그램을 풀어야 하므로 실행 시간이 가장 오래 걸리지만, 현대 최적화 라이브러리와 GPU 가속을 통해 실용적인 수준으로 감소시킬 수 있다. 초해상도는 압축감지보다 작은 문제 크기로 구현 가능해 상대적으로 빠르다. 필터 대각화는 고유값 문제와 Krylov 행렬 구축 단계가 O(N K) (N = 샘플 수, K = 필터 차원) 복잡도를 가지며, 파라미터(그리드 밀도, 필터 차원) 선택에 따라 성능이 크게 변한다.

요약하면, 신호가 물리적으로 라플라스 피크의 합으로 모델링될 수 있는 경우(예: NMR, 광학 스펙트럼, 감쇠 진동) 필터 대각화가 가장 효율적이며, 스파스하거나 임의 형태의 신호(이미지, 비디오, 천문 데이터 등)에는 L1 기반 압축감지와 초해상도가 더 일반적인 해결책이 된다.