지역 상호 정보 기반 무참조 이미지 품질 평가

본 논문은 스마트폰 및 디지털 카메라 보급으로 급증한 이미지 데이터의 품질을 자동으로 평가할 필요성에 주목한다. 기존 이미지 품질 평가(IQA) 방법은 크게 전참조(full‑reference), 부분참조(reduced‑reference), 무참조(no‑reference) 세 가지로 구분되며, 본 연구는 무참조 영역에 속한다. 저자는 인간 시각 시스템이 국소적인 구조 변화에 민감하다는 점을 근거로, 이미지 전체를 작은 지역 블록으로 분할하고, 각 블록과 90도 회전된 블록 간의 상호 정보를 정량화하는 새로운 지표 NrMI(No‑Reference Regional Mutual Information)를 제안한다. 방법론은 다음과 같다. 입력 이미지 Φ(x,y)를 90° 회전시켜 Φ′(x′,y′)를 만든 뒤, 두 이미지를 동일한 크기로 정렬한다. 이후 3×3 크기의 겹치지 않는 서브 매트릭스 η_k와 η_k,θ 를 추출한다. 각 서브 매트릭스는 9개의 픽셀값을 행벡터 형태로 나열하고, 회전된 서브 매트릭스와 결합해 18차원 벡터 M_e 를 만든다. M_e 의 평균을 원점으로 이동시켜 중심화된 벡터 M_e,0 를 얻고, 이를 이용해 공분산 행렬 C 를 계산한다. 정규분포 가정 하에 공동 엔트로피 H_g(C)와 두 부분 행렬 C_A, C_B 의 주변 엔트로피를 구해 지역 상호 정보 M_rmi = H_g(C_A)+H_g(C_B)−H_g(C) 를 도출한다. 마지막으로 각 블록의 가중치 Φ_wg 를 제곱 평균 형태로 정의하고, M_rmi 와 곱해 최종 품질 점수 N_rMI_i 를 산출한다. 실험에서는 다섯 개의 자연 이미지 데이터베이스(TID2008, TID2013, CID2013, LIVE, MEFD)와 하나의 합성 이미지 데이터베이스(ESPL)를 사용하였다. 평가 지표로는 Pearson Linear Correlation Coefficient(PLCC)와 Spearman Rank Order Correlation Coefficient(SRCC)를 채택했으며, 제안 방법을 SSIM, NR, NJQA, MUG 등 기존 무참조 및 전참조 메트릭과 비교하였다. 결과는 표 1에 요약되어 있는데, 특히 고품질 이미지가 많이 포함된 MEFD와 ESPL 데이터베이스에서 제안 기법이 SSIM을 능가하는 높은 PLCC·SRCC 값을 기록했다. 일반적인 자연 이미지 데이터베이스에서도 전반적으로 기존 방법과 비슷하거나 약간 높은 성능을 보였다. 논문의 결론에서는 지역 상호 정보를 활용한 접근이 이미지의 미세한 기하학적 변형과 잡음에 민감하게 반응함을 강조한다. 또한 향후 연구 방향으로 블록 가중치를 인간 시각 시스템의 초점 영역에 기반해 동적으로 조정하고, 다양한 스케일·방향에 대한 적응성을 높이는 방안을 제시한다. 하지만 논문에는 몇 가지 보완점이 있다. 첫째, 3×3 블록과 고정 회전 각도(π/2)만을 사용함으로써 다양한 왜곡 유형에 대한 일반화가 제한될 수 있다. 둘째, 공분산 행렬 계산이 블록 수에 비례해 연산량이 급증하므로 실시간 응용에 대한 효율성 검증이 부족하다. 셋째, 실험에 사용된 비교 대상이 주로 전통적인 통계 기반 메트릭이며, 최신 딥러닝 기반 무참조 IQA(예: BRISQUE, NIQE, DBCNN 등)와의 비교가 없어 최신 연구와의 상대적 위치를 명확히 파악하기 어렵다. 마지막으로 표에 제시된 PLCC·SRCC 외에 통계적 유의성 검정이나 ROC, AUC 등 추가적인 평가 지표가 포함되지 않아 결과의 신뢰성을 완전히 평가하기 어렵다. 종합적으로, 본 논문은 이미지의 지역적 구조와 회전 변환을 이용한 새로운 무참조 품질 지표를 제시함으로써 전통적인 정보 이론 기반 IQA 연구에 의미 있는 기여를 하였으며, 향후 스케일·방향 적응 및 효율성 개선을 통해 실용적인 품질 평가 도구로 발전할 가능성을 보여준다.