L0TV: 임펄스 노이즈 이미지 복원을 위한 희소 최적화 방법

본 논문은 이미지 복원 분야에서 널리 사용되는 Total Variation(TV) 정규화와 ℓ₀‑노름 데이터 적합성을 결합한 새로운 최적화 모델 L0TV‑PADMM을 제안한다. 임펄스 노이즈는 센서 결함이나 AD 변환 오류 등으로 발생하며, 픽셀 단위로 희소하게 존재한다. 기존 방법들은 주로 ℓ₂, ℓ₁, ℓ₀₂‑노름을 사용했지만, 이러한 연속적인 손실 함수는 잡음이 희소하게 나타나는 상황에서 최적의 성능을 보장하지 못한다. 특히 Adaptive Outlier Pursuit(AOP)은 ℓ₀₂‑노름을 이용했지만, ℓ₀‑노름이 제공하는 ‘정확히 0인 요소만을 카운트’하는 특성을 대체하지 못한다. 논문은 먼저 MAP(최대 사후 확률) 관점에서 임펄스 노이즈의 가능도 함수를 ℓ₀‑노름 형태로 유도한다. 여기서 ℓ₀‑노름은 손상된 픽셀 수를 직접 최소화하므로, 잡음이 희소하게 발생하는 경우에 가장 적합한 데이터 적합성 모델이 된다. 그러나 ℓ₀‑노름 최적화는 NP‑hard 문제이며, 직접 해결하면 전역 최적해를 찾기 어렵다. 이를 해결하기 위해 저자들은 ℓ₀‑노름을 보완 변수 v와 보완 제약 v ∘ |o ∘ (Ku−b)| = 0 형태의 MPEC(Equilibrium Constraints) 문제로 변환한다. 여기서 o는 사용자가 지정하는 마스크이며, v는 0 ~ 1 구간의 연속 변수이다. Lemma 1에 의해 ℓ₀‑노름은 선형 목적함수와 보완 제약으로 정확히 표현될 수 있다. 이 변환은 문제 차원을 늘리지만, 새로운 로컬 최소점이 추가되지 않으며, 비볼록성은 오직 보완 제약에서만 발생한다. MPEC 형태의 문제를 풀기 위해 Proximal ADMM(PADMM)을 설계한다. 주요 절차는 다음과 같다. 1. 원본 이미지 변수 u와 보완 변수 v를 동시에 업데이트한다. 각 업데이트 단계에서는 0 ≤ u, v ≤ 1 구간을 유지하도록 투사 연산을 적용한다. 2. TV 정규화 항을 x = ∇u 로 치환하고, Ku−b 를 y 로 치환한다. 이렇게 하면 원래의 복합 제약을 두 개의 선형 제약(∇u = x, Ku−b = y)으로 분리할 수 있다. 3. 보완 제약 v ∘ o ∘ |y| = 0 은 라그랑주 승수 π와 함께 Augmented Lagrangian에 포함된다. 4. 각 서브문제는 2차 형태의 최소화(예: u‑업데이트) 혹은 단순 근접 연산(예: v‑업데이트)으로 해결 가능하며, D = L·I − (β∇ᵀ∇ + βKᵀK), E = µ·I 와 같은 행렬을 이용해 효율적으로 계산한다. 5. 라그랑주 승수 ξ, ζ, π 를 각각 ∇u−x, Ku−b−y, o∘v∘|y|에 대해 업데이트한다. 과relaxation 파라미터 γ∈(0,2)를 사용해 수렴 속도를 조절한다. 6. β는 30번째 반복마다 √10 배로 증가시키는 스케줄을 적용해 제약 위반을 빠르게 감소시킨다. 수렴 이론에서는 L = µ + β‖∇‖² + β‖K‖² 가 충분히 크면, 알고리즘이 KKT 조건을 만족하는 점으로 수렴함을 증명한다. 이는 기존 비볼록 ADMM 연구와 일치하지만, ℓ₀‑노름 특유의 보완 제약을 포함한다는 점에서 새로운 기여라 할 수 있다. 실험에서는 다양한 표준 이미지와 임펄스 노이즈 비율(10%~50%)에 대해 PSNR, SSIM, 그리고 시각적 품질을 평가한다. L0TV‑PADMM은 AOP, TV‑ℓ₀₂, 그리고 최신 딥러닝 기반 복원 기법들에 비해 평균 1.5~3 dB 이상의 PSNR 향상을 보였으며, 특히 높은 잡음 비율(≥30%)에서 경계와 텍스처 보존 능력이 두드러졌다. 또한, 알고리즘의 연산 복잡도는 O(n) 수준이며, GPU 가속 시 실시간 복원도 가능함을 보고한다. 추가 실험으로 블러가 포함된 경우(이미지 디블러링)에도 동일한 프레임워크를 적용했으며, ℓ₀‑노름 데이터 적합성이 블러와 잡음이 동시에 존재하는 상황에서도 강인한 복원 성능을 제공한다는 것을 확인했다. 결론적으로, 이 논문은 (1) ℓ₀‑노름 데이터 적합성을 TV 정규화와 결합한 새로운 모델링 프레임워크, (2) 비볼록·비스무스 MPEC 문제를 효율적으로 해결하는 PADMM 알고리즘, (3) 광범위한 실험을 통한 현존 최첨단 방법 대비 우수한 성능 입증이라는 세 가지 주요 기여를 제시한다. 앞으로 ℓ₀‑노름 기반 정규화가 다른 이미지 복원·복구 문제(예: 압축 복원, 초해상도)에도 확장 가능할 것으로 기대된다.