적응형 ADMM 기반 희소 신호 복원 알고리즘

초록

본 논문은 스파이크‑슬랩 사전(prior)을 이용한 희소 신호 복원 문제를 비볼록·혼합정수 형태로 정의하고, 지원(support) 집합을 탐색하면서 ADMM을 적용하는 적응형 알고리즘(AADMM)을 제안한다. 지원을 하나씩 추가·제거하는 탐욕적 절차와 ADMM 기반 ℓ₁ 정규화 서브문제 해결을 결합해 기존 ICR·AMP 대비 재구성 정확도와 계산 효율을 동시에 향상시켰다.

상세 분석

이 논문은 먼저 스파이크‑슬랩 사전을 베르누이 변수 ω와 라플라스 분포를 결합해 신호 x의 각 원소가 ‘스파이크(0)’ 혹은 ‘슬랩(비영)’ 중 하나가 되도록 모델링한다. 베이즈 MAP 추정에 의해 도출된 최적화식은 ‖y‑Ax‖₂² + λ‖x‖₁ + ∑_{i} ω_i γ_i 형태이며, 여기서 γ_i는 사전 파라미터 κ_i에 의존하는 상수이다. ω_i는 0·1 이진 변수이므로 문제는 비볼록·혼합정수 프로그램이 된다. 저자는 지원 집합 S와 비영 원소 x_S 사이의 일대일 대응을 이용해, 먼저 S를 찾고 그에 대한 연속적인 ℓ₁ 정규화 최소화 문제(ADMM)로 변환한다. 지원 업데이트는 두 가지 후보—미선택 인덱스 추가와 현재 선택 인덱스 제거—의 비용 변화를 상한으로 평가해 선택한다. 구체적으로 U_S와 V_S를 정의하고, U_S < V_S이면 인덱스를 추가, 반대이면 제거한다. 이 과정은 비용 함수가 단조 감소함을 보장하므로 수렴성을 확보한다. 지원 초기화는 γ_i < 0인 인덱스를 무조건 포함시키는 명제 3.1을 이용한다. ADMM 서브문제는 ‖y‑A_S x_S‖₂² + λ‖x_S‖₁ + δ_S 형태이며, 표준 ADMM 업데이트(프라임 변수, 라그랑주 승수, 패널티 파라미터)로 해결한다. ℓ₁ 정규화가 포함돼 있어 해가 보다 희소해지는 장점이 있다. 기존 AMP는 ℓ₂ 정규화만 사용해 전방·후방 대입으로 해결했지만, 비볼록 문제에 직접 적용할 수 없었다. 반면 ICR는 문제를 완화(relaxation)해 풀었으나 최적성 보장이 약하고 계산량이 크다. 제안된 AADMM은 완전 비볼록 문제를 직접 다루면서도 지원 탐색을 효율적으로 제한해 연산량을 크게 줄인다. 실험에서는 합성 데이터와 실제 MRI·자연 이미지에 대해 PSNR 및 재구성 오류를 비교했으며, AADMM이 ICR보다 평균 2‑3 dB 높은 PSNR을 보이고 실행 시간도 30‑40 % 정도 단축되었다. 전체적으로 모델링의 일반성, 알고리즘의 수렴 보장, 그리고 실험적 우수성이 논문의 핵심 기여라 할 수 있다.