두 단계 노이즈 제거 필터 전처리 야로슬라프스키 방식

초록

본 논문은 기존 이미지에 먼저 파동·곡선 변환 기반의 전처리 필터를 적용한 뒤, 전처리 결과를 기준으로 원본 이미지에 야로슬라프스키 필터를 가중치 조정하여 적용하는 두 단계 denoising 방법을 제안한다. 이 접근법은 이론적 오류 한계를 제시하고, 특히 카툰형(단순 경계) 이미지에서 높은 PSNR·SSIM을 달성하면서도 패치 기반 알고리즘보다 연산 속도가 빠른 장점을 보인다.

상세 분석

이 논문은 이미지 복원 분야에서 오래된 비국소적 평균화 기법인 야로슬라프스키(Yaroslavsky) 필터를 현대적인 전처리와 결합함으로써, 기존 한계점을 효과적으로 극복한다는 점에서 의미가 크다. 야로슬라프스키 필터는 픽셀 간 유사성을 직접 거리 기반으로 측정해 가중 평균을 수행하지만, 노이즈가 심한 경우 거리 계산 자체가 불안정해져 가중치가 잘못 부여된다. 저자들은 이 문제를 “전처리 단계”에서 해결한다. 첫 단계에서는 전통적인 파동·곡선 변환(thresholding) 혹은 비국소적 TV, BM3D 등 강력한 denoising 알고리즘을 적용해 대략적인 구조를 복원한다. 이 단계는 고주파 잡음은 억제하면서도 큰 경계와 텍스처는 보존하도록 설계된다.

두 번째 단계에서는 원본 노이즈 이미지에 그대로 야로슬라프스키 필터를 적용하되, 가중치 계산에 사용되는 거리 함수를 전처리된 이미지의 픽셀 값 차이로 대체한다. 즉, 실제 필터링은 원본 이미지에 수행되지만, “유사도 판단”은 전처리 이미지에 기반한다. 이 설계는 두 가지 중요한 효과를 만든다. 첫째, 전처리 이미지가 노이즈에 강인하므로 거리 계산이 더 정확해져, 동일한 구조 내 픽셀들 간 가중치가 크게 증가한다. 둘째, 원본 이미지에 직접 적용함으로써 전처리 단계에서 손실된 미세 디테일(예: 얇은 선, 작은 텍스처)을 복구할 수 있다.

이론적 분석에서는 전처리 단계가 제공하는 “신뢰도 높은 유사도 지도”가 야로슬라프스키 필터의 편향(bias)과 분산(variance) 사이의 트레이드오프를 유리하게 이동시킨다고 증명한다. 특히, 전처리된 이미지가 원본과의 L2 거리에서 ε-근접함을 보장하면, 최종 필터링 결과의 평균 제곱 오차는 기존 야로슬라프스키 필터 대비 O(ε) 만큼 감소한다는 경계가 도출된다.

실험 부분에서는 “카툰” 이미지(즉, 평탄 영역과 뚜렷한 경계만 존재하는 이미지)와 자연 이미지 두 종류에 대해 다양한 노이즈 레벨(σ=1050)에서 비교한다. 결과는 PSNR이 평균 23dB, SSIM이 0.020.04 상승하는 것을 보여준다. 특히, BM3D와 같은 고성능 패치 기반 방법과 비교했을 때, 연산 시간은 GPU 없이도 CPU 단일 코어 기준 35배 빠르다. 이는 전처리 단계가 비교적 저비용(FFT 기반 파동 변환)이며, 두 번째 단계가 단순 거리 기반 가중 평균이기 때문이다.

또한, 저자들은 전처리 단계에 사용되는 변환 종류가 결과에 미치는 영향을 조사한다. 파동 변환은 고주파 잡음 억제에 강하지만, 곡선 변환은 곡선형 구조를 더 잘 보존한다. 두 변환을 혼합하거나, 사전 학습된 딥러닝 기반 사전 필터와 결합했을 때도 비슷한 이득을 얻을 수 있음을 보고한다.

전체적으로 이 논문은 “전처리 → 비국소적 평균화”라는 간단하지만 강력한 파이프라인을 제시함으로써, 복잡한 패치 매칭이나 딥러닝 모델 없이도 실시간 수준의 고품질 노이즈 제거가 가능함을 입증한다. 향후 연구에서는 전처리 단계에 비선형 적응형 임계값을 도입하거나, 다중 스케일 전처리를 통해 더욱 복잡한 텍스처를 다루는 방안을 탐색할 여지가 있다.