경계 미지 이미지 복원 ADMM 기반 비주기적 디컨볼루션

초록

본 논문은 경계가 알려지지 않은 상황에서 이미지 디컨볼루션을 수행하기 위해 ADMM(Alternating Direction Method of Multipliers)을 확장한다. 관측 연산자를 ‘임의 경계 컨볼루션 × 마스크’ 형태로 모델링함으로써, 경계 외부 픽셀을 제외한 영역만을 이용해 선형 시스템을 푸는 과정을 FFT 기반으로 효율적으로 처리한다. 또한 결손 픽셀 복구(인페인팅)와 결합된 문제도 동일한 프레임워크에서 해결한다. 제안 알고리즘은 ADMM의 수렴 보장을 그대로 유지하면서, 총변분(TV) 및 프레임 기반 정규화에 대해 실험적으로 우수한 성능을 보인다.

상세 분석

이 연구는 이미지 복원 분야에서 가장 널리 사용되는 ADMM 프레임워크를 경계가 불확실한 실제 상황에 적용한다는 점에서 혁신적이다. 전통적인 ADMM 기반 디컨볼루션은 관측 행렬이 순환(circulant)이라고 가정하고, 따라서 푸리에 변환을 이용해 선형 시스템을 O(N log N) 시간에 해결한다. 그러나 실제 촬영에서는 이미지 가장자리 픽셀에 대한 정보가 손실되거나, 경계 조건이 주어지지 않아 순환 가정이 깨진다. 저자들은 이러한 문제를 ‘컨볼루션 연산 ∘ 마스크 연산’으로 재구성한다. 마스크는 경계에 의존하지 않는 내부 픽셀만을 선택하므로, 마스크가 적용된 연산자는 여전히 블록 대각 형태를 유지한다. 이 구조를 이용하면 마스크와 컨볼루션의 합성 연산을 푸리에 도메인에서 효율적으로 역연산할 수 있다. 핵심은 마스크가 0‑1 행렬이므로, 마스크와 컨볼루션 행렬의 곱을 푸리에 변환 후 원소별 곱으로 표현하고, 역행렬을 직접 계산하지 않고도 최소제곱 해를 구할 수 있다는 점이다.

알고리즘은 변수 분할을 통해 원본 이미지 x, 복원된 이미지 z, 그리고 라그랑주 승수 u를 도입한다. x‑업데이트 단계는 마스크가 적용된 선형 시스템을 푸리에 변환을 이용해 풀며, z‑업데이트 단계는 선택한 정규화(총변분 또는 프레임 기반)와 관련된 근접 연산자를 적용한다. u‑업데이트는 표준 ADMM 형태인 u←u+ρ(Ax−z)로 진행된다. 이때 ρ는 알고리즘 수렴 속도에 영향을 주는 스칼라 파라미터이다. 저자들은 ADMM의 일반적인 수렴 이론을 그대로 적용할 수 있음을 증명한다. 특히, 마스크 연산이 선형이고, 정규화 함수가 폐쇄형, 정상(convex)이며, 근접 연산자가 명시적으로 계산 가능하면 전통적인 ADMM 수렴 조건을 만족한다.

정규화 측면에서 총변분은 이미지 경계에서의 급격한 변화(에지)를 보존하면서 잡음을 억제하는 데 효과적이며, 프레임 기반 정규화는 사전 학습된 웨이블릿이나 딥러닝 기반 사전 지식을 활용해 보다 풍부한 텍스처 복원을 가능하게 한다. 실험에서는 비주기적 블러와 함께 내부 결손 영역을 인페인팅하는 복합 문제를 설정하고, 제안 방법이 기존 순환 가정 기반 ADMM보다 PSNR 및 SSIM 측면에서 현저히 우수함을 보여준다. 또한 연산 복잡도는 FFT를 이용한 O(N log N) 수준으로 유지되어, 대규모 이미지에도 실시간에 근접하는 처리 속도를 제공한다.