계층적 베이지안 희소 이미지 복원 및 MRFM 적용

초록

본 논문은 선형 변환과 백색 가우시안 잡음이 섞인 관측 데이터로부터 희소하고 양의 이미지를 복원하기 위한 계층적 베이지안 모델을 제안한다. 이미지 픽셀을 양의 지수 분포와 영점 질량을 혼합한 사전분포로 표현하고, 하이퍼파라미터를 자동으로 마진화한다. 복잡한 사후분포는 Gibbs 샘플링으로 근사하며, 샘플을 이용해 MAP 혹은 평균 추정 등 다양한 추정치를 얻을 수 있다. 실험은 합성 데이터와 MRFM(Magnetic Resonance Force Microscopy)으로 측정한 담배 바이러스 샘플을 사용해 제안 방법의 우수성을 입증한다.

상세 분석

이 논문은 이미지 복원을 확률론적 프레임워크 안에서 다루면서, 특히 희소성(sparsity)과 비음성(positivity)이라는 두 가지 물리적 제약을 동시에 만족시키는 사전분포를 설계한 점이 핵심이다. 저자들은 픽셀 값을 0에 집중되는 질량과 양의 실수 영역에 대한 지수분포의 가중 혼합으로 모델링한다. 이는 라플라스(Laplace) 혹은 스파스 코딩에서 흔히 쓰이는 L1 정규화와 유사하지만, 베이지안 관점에서 하이퍼파라미터(혼합 가중치와 지수율)를 데이터에 의해 자동으로 추정하도록 계층 구조를 도입했다. 하이퍼파라미터에 대한 비제한적 사전을 부여함으로써 과적합을 방지하고, 마진라이크리후드(maximum marginal likelihood) 방식으로 최적값을 찾는다.

관측 모델은 y = Hx + n 형태이며, H는 알려진 선형 변환 행렬, n은 평균 0, 분산 σ²인 백색 가우시안 잡음이다. σ² 역시 역감마 사전으로 설정해 완전 베이지안 처리를 가능하게 한다. 사후분포는 x, σ², 혼합 가중치, 지수율 등 여러 변수에 대해 복합적이며, 직접적인 해석이 어려워 Gibbs 샘플러를 설계한다. 각 변수에 대한 조건부 사후분포는 표준 형태(정규, 역감마, 베타 등)로 유도될 수 있어, 순차적 샘플링이 효율적으로 이루어진다. 특히 x에 대한 조건부는 혼합형이므로, 0인지 양수인지를 판단하는 이진 지표 변수(z)를 도입해 두 단계로 샘플링한다.

샘플링 과정에서 수렴성을 확보하기 위해 적절한 버닝(burn‑in)과 얇은 간격(thinning) 전략을 적용하고, 사후 평균 혹은 MAP 추정치를 이미지 복원에 활용한다. 기존 L1‑최소화 기반 방법과 달리, 이 접근법은 전체 사후분포를 제공하므로 불확실성 정량화가 가능하고, 하이퍼파라미터 튜닝에 대한 주관적 선택을 최소화한다. 실험 결과는 합성 데이터에서 재구성 오류가 크게 감소했으며, 실제 MRFM 데이터에서는 바이러스 입자의 형태를 고해상도로 복원하면서 잡음에 강인함을 보였다.

이러한 설계는 특히 측정 횟수가 제한되고 SNR이 낮은 초고해상도 현미경(예: MRFM, 초음파, 전자 현미경) 분야에 적용 가능성이 크다. 또한, 혼합 사전을 다른 형태(예: 스파스 가우시안, 베타-분포)로 교체하면 다양한 응용에 맞춤형 모델링이 가능하다.