블록 좌표 정규화와 디노이징

본 연구는 노이즈 제거 함수(Denoiser)만을 사전 정보로 활용하는 추정 문제를 다루며, 기존의 RED(Regularization‑by‑Denoising)와 PnP(Plug‑and‑Play) 프레임워크가 고차원 데이터에 적용될 때 발생하는 계산 복잡도 문제를 해결하고자 한다. 논문은 먼저 전통적인 MAP 추정식을 f(x)=g(x)+h(x) 로 표현하고, 여기서 g(x) 는 데이터 적합도(예: 최소제곱), h(x) 는 사전(예: ℓ₁ 정규화)이다. 기존 RED는 G(x)=∇g(x)+τ(x−D(x)) 이라는 연산자를 정의하고, 이 연산자의 영점 zer(G) 을 찾는 방식으로 최적화를 수행한다. 하지만 전체 변수 x∈ℝⁿ 에 대해 매 반복마다 전체 연산을 수행하면 메모리와 연산량이 급증한다. 이를 극복하기 위해 저자들은 변수 공간을 b 개의 블록으로 분할하고, 각 블록에 대한 삽입 행렬 U_i 와 추출 행렬 U_iᵀ 을 정의한다. 블록‑좌표 연산 G_i(x)=U_iᵀ G(x) 를 이용해, 매 반복마다 무작위로 선택된 블록 i_k 에 대해 x←x−γ U_i_k G_i_k(x) 를 수행한다. 이 알고리즘을 BC‑RED(Block Coordinate RED)라 명명하고, 알고리즘 1에 상세히 제시한다. 수렴성 분석은 세 가지 핵심 가정에 기반한다. 첫째, zer(G) 가 비어 있지 않으며 초기점이 영점 집합까지 유한 거리 R₀ 내에 존재한다. 둘째, 데이터 적합도 g 가 연속적으로 미분 가능하고 볼록하며, 각 블록에 대한 그래디언트 ∇_i g 가 블록‑리프시츠 연속성을 갖는다. 셋째, 전체 연산자 G_i 가 블록‑리프시츠 연속성을 만족한다. 이러한 가정 하에, 무작위 블록 선택이 균등 분포를 따를 때 기대값 기준으로 ‖x_k−x*‖² 가 기하급수적으로 감소함을 보이며, 최악의 경우에도 O(1/k) 수렴률을 보장한다. 또한, 저자들은 RED와 전통적인 근접 최적화 사이의 관계를 명시적으로 연결한다. 만약 디노이저 D(·) 가 근접 연산 prox_{μh}(·)와 동일하면, BC‑RED는 근접 기반 MAP 추정기의 근사 형태가 된다. 이때 근사 오차는 단계 크기 γ 와 블록 선택 빈도에 의해 조절 가능하며, γ→0 일 때 정확히 MAP 해와 일치한다. 따라서 BC‑RED는 기존 PnP/RED 방법을 일반화하면서도, 근접 최적화 이론과 호환되는 유연한 프레임워크를 제공한다. 실험 부분에서는 선형 측정 모델 y=Ax+e 를 가정하고, 이미지 복원 문제에 적용한다. 전체 이미지 x∈ℝⁿ 을 b 개의 패치(블록)로 나누어, 각 블록에 대해 A_i (열 부분 행렬)와 디노이저 D_i (패치‑단위 디노이징)를 적용한다. 이렇게 하면 A_i 와 D_i 의 연산 복잡도가 전체 A, D에 비해 약 b 배 감소한다. 실험에서는 BM3D, DnCNN, 최신 CNN‑기반 디노이저를 사용해 다양한 압축률(예: 10%~30% 샘플링)과 잡음 수준(σ=5~25)에서 PSNR 및 SSIM을 측정했다. 결과는 BC‑RED가 전체‑벡터 RED와 비교해 비슷하거나 더 높은 복원 품질을 유지하면서, 연산 시간은 2~5배 가량 단축됨을 보여준다. 또한, 블록 선택 전략(무작위 vs. 에포크 순차) 간 수렴 속도 차이를 분석했으며, 무작위 선택이 이론적 수렴 보장을 제공함을 확인했다. 마지막으로, 저자들은 BC‑RED가 비동기식 분산 환경, 대규모 신호 처리, 그리고 비선형 측정 모델(예: 페이즈 리트리벌)에도 확장 가능함을 논의한다. 블록‑좌표 업데이트는 메모리 제한이 있는 임베디드 시스템이나 클라우드 기반 분산 처리에서도 효율적으로 적용될 수 있다. 전체적으로 이 논문은 고차원 이미지·신호 복원에서 블록‑좌표 RED가 계산 효율성과 이론적 보장을 동시에 제공하는 강력한 도구임을 입증한다.