포아송 잡음 억제를 위한 희소성 기반 딕셔너리 학습

본 논문은 저신호대비비(SNR) 환경에서 포아송 잡음이 섞인 이미지 복원을 목표로, 희소 표현과 딕셔너리 학습을 결합한 새로운 프레임워크를 제시한다. 포아송 잡음은 강도에 따라 분산이 달라지는 비선형 특성을 가지며, 기존의 Anscombe 변환이나 Fisz 변환은 픽셀 강도가 충분히 높을 때만 가우시안 잡음으로 근사한다. 그러나 피크 값이 3 이하, 특히 0.1~1 수준에서는 이러한 변환이 크게 실패한다. 이에 저자들은 포아송 통계에 직접 접근하는 방법을 채택한다. 먼저, 이미지 패치를 겹치게 추출하고, 각 패치를 지수 형태(exp(Dα))로 모델링한다. 여기서 D는 d×n 차원의 사전, α는 k‑희소 계수 벡터이며, k는 사전 원자 선택 개수이다. 이 모델은 비음수 제약을 자연스럽게 만족시키며, 포아송 로그우도 함수와 일치한다. 최적화 목표는  minα 1ᵀexp(Dα) – qᵀDα, subject to ‖α‖₀ ≤ k 이며, 이는 조합 최적화 문제다. 문제 해결을 위해 탐욕적 OMP‑like 알고리즘을 설계한다. 기존 OMP는 잔차 최소화를 기준으로 원자를 선택하지만, 포아송 모델에서는 잔차가 비선형 변환 후에도 의미가 약해진다. 따라서 저자들은 “부트스트랩 기반 정지 기준”을 도입한다. 구체적으로, 현재까지 선택된 원자 집합으로 재구성한 패치와 원본 노이즈 패치 간의 재구성 오차 감소량이 사전에 정의된 ε 이하가 되면 탐색을 중단한다. 이는 과도한 원자 선택을 방지하고, 저SNR 상황에서 불필요한 복잡성을 억제한다. 다음으로, 사전 학습 단계에서는 전역 사전 D₀를 초기화하고, 각 패치 그룹(유사 패치 집합)별로 공동 희소 지원을 강제한다. 패치 클러스터링은 넓은 가우시안 커널로 이미지 전체를 부드럽게 만든 뒤, 유클리드 거리 기반으로 작은 그룹(l≥목표 크기)으로 나눈다. 이 과정에서 Euclidean 거리는 고강도 픽셀에 가중치를 부여해, 희소한 고강도 영역을 효과적으로 구분한다. 각 그룹에 대해 탐욕적 코딩을 수행하고, 얻어진 α와 D를 교대로 업데이트한다. 사전 업데이트는 K‑SVD와 유사하지만, 비용 함수가 포아송 Bregman divergence(1ᵀexp(Dα) – qᵀDα) 형태이므로, 뉴턴 스텝이나 제한된 라인 서치를 이용해 최적화한다. 복원된 패치는 겹치는 영역에서 평균화해 최종 이미지를 만든다. 또한, 저자들은 “바이닝” 기법을 언급한다. 저해상도 이미지로 다운샘플링해 SNR을 인위적으로 높인 뒤 복원하고, 다시 업스케일링하는 방법으로, 특히 피크가 0.5 이하인 경우에 유용하다. 실험에서는 다양한 피크 값(0.1, 0.5, 1, 4, 10)에서 표준 테스트 이미지(예: peppers)를 사용했다. 고SNR(피크≥4)에서는 제안 방법이 기존 GMM 기반 NL‑SPCA와 거의 동등한 PSNR·SSIM을 기록했으며, 저SNR(피크≤1)에서는 평균 0.5~1 dB 이상의 PSNR 향상을 보였다. 특히, 피크 0.1에서 거의 이진화된 이미지에서도 구조를 보존하며 잡음을 크게 감소시켰다. 시간 복잡도 측면에서는 탐욕적 코딩과 사전 업데이트가 병렬화 가능해, SPIRAL 기반 ℓ₁ 정규화 방법보다 빠른 실행 속도를 달성했다. 논문의 주요 기여는 다음과 같다. ① 포아송 잡음에 직접 적용 가능한 지수형 희소 모델을 제안하고, 이를 위한 탐욕적 코딩과 부트스트랩 정지 기준을 설계했다. ② 유사 패치 그룹을 이용해 비국소 정보를 공유함으로써 사전 학습과 코딩을 동시에 최적화했다. ③ 기존 변환 기반 및 GMM 기반 방법보다 저SNR 상황에서 우수한 복원 성능을 실증했다. ④ 알고리즘 구조가 단순하고 병렬화가 용이해 실시간 혹은 대규모 이미지 처리에 적용 가능함을 보였다. 향후 연구 과제로는 (1) 클러스터링 단계에서 Earth Mover’s Distance와 같은 보다 정교한 거리 측정 도입, (2) 자동 k 선택 및 사전 크기 최적화, (3) 포아송 디컨볼루션 문제로의 확장, (4) 딥러닝 기반 사전 초기화와의 결합 등이 제시된다.