이미지 복원을 위한 회귀 트리 필드 연쇄 모델

초록

본 논문은 반사분할(half‑quadratic) 기법과 Gaussian CRF 사이의 연관성을 밝히고, 이를 기반으로 블러 커널 등 인스턴스‑특정 파라미터를 반영할 수 있는 반파라메트릭 회귀 트리 필드(RTF) 연쇄 구조를 제안한다. 각 단계에서 이미지와 커널 정보를 이용해 Gaussian CRF의 정밀도 행렬을 회귀하고, 손실 기반 학습으로 PSNR을 직접 최적화한다. 실험 결과, 비블라인 디블러링 및 그레이스케일·컬러 디노이징에서 최첨단 성능을 달성한다.

상세 분석

이 논문은 이미지 복원 문제를 “데이터 항(term) + 사전(prior)” 형태의 MAP 추정으로 모델링하고, 기존의 half‑quadratic 최적화가 보조 변수 z를 도입해 최종적으로 Gaussian posterior를 만든다는 점에 주목한다. 저자는 이 과정을 “z가 고정된 상태에서 Gaussian CRF의 정밀도 행렬 Θ와 선형 항 θ를 직접 예측하는 것”으로 재해석한다. 여기서 핵심은 Θ와 θ를 고정된 함수가 아니라 입력 이미지 y와 인스턴스‑특정 파라미터(예: 블러 커널 k)로부터 회귀 트리(Regression Tree)를 이용해 학습한다는 점이다. 회귀 트리는 이미지 전역·국부 특징(필터 응답, 강도, 이전 단계 출력 등)을 입력으로 받아, 각 픽셀 혹은 패치에 대한 Gaussian CRF 파라미터를 동적으로 생성한다.

연쇄 구조는 여러 단계로 구성되며, 초기 단계에서는 거친 복원 결과를 얻어 블러를 크게 감소시킨다. 이 결과는 다음 단계의 특징 추출에 활용돼 보다 정교한 Θ와 θ를 예측하게 만든다. 이렇게 단계별로 점진적으로 파라미터를 업데이트함으로써, 전통적인 half‑quadratic 방법이 반복적으로 z를 갱신하는 과정과 유사한 효과를 비판적이고 효율적인 방식으로 구현한다.

학습은 합성 데이터셋을 이용해 PSNR 기반 손실을 최소화하는 방식으로 진행된다. 블러 커널은 간단한 모션 모델을 통해 무작위로 생성하고, 노이즈 레벨도 다양하게 변형한다. 이렇게 하면 실제 촬영 환경에서 나타나는 다양한 커널에 대한 일반화 능력을 확보한다. 실험에서는 비블라인 디블러링(known kernel)과 디노이징(그레이스케일·컬러) 두 과제에서 기존 최첨단 방법들을 능가하거나 동등한 성능을 보이며, 특히 고해상도 이미지에 대해 빠른 추론 속도를 유지한다.

이 접근법의 장점은 (1) 인스턴스‑특정 파라미터를 명시적으로 모델에 포함시켜 다양한 입력에 하나의 네트워크만으로 대응 가능, (2) Gaussian CRF의 파라미터를 직접 회귀함으로써 반복적 최적화 비용을 크게 절감, (3) 손실 기반 학습으로 PSNR 등 실제 품질 지표에 최적화된 복원 결과를 얻는다. 한편, 회귀 트리의 깊이와 연쇄 단계 수가 성능·속도 트레이드오프에 큰 영향을 미치며, 복잡한 비선형 커널이나 비정상적인 노이즈 모델에 대해서는 추가적인 확장이 필요할 수 있다.