연속적 얼굴 가림 인식을 위한 저계수 회귀와 일반화된 그래디언트 방향

초록

**
본 논문은 연속적인 얼굴 가림(occlusion) 문제를 해결하기 위해 그래디언트 방향 특징과 다중 매핑 함수를 결합한 계층적 희소·저계수 회귀 모델(GD‑HASLR)을 제안한다. 희소 표현을 사전 학습에, 저계수(저‑랭크) 구조를 오류 항에 적용해 “weak low‑rankness” 최적화를 ADMM으로 풀며, 실험 결과 최신 CNN 기반 방법들을 능가한다.

**

상세 분석

**
이 연구는 얼굴 가림 상황에서 기존 픽셀‑레벨 복원 방식이 갖는 한계를 극복하고자, 먼저 이미지의 그래디언트 방향(Gradient Direction, GD) 특징을 추출한다. GD는 조명 변화와 색상 변동에 강인하면서도 에지 정보를 보존하므로, 가림 영역이 존재해도 남은 부분의 구조적 단서를 충분히 제공한다. 논문은 이러한 GD 특징을 여러 비선형 매핑 함수(예: RBF, 다항식, 신경망 기반 매핑)와 결합해 고차원 표현 공간으로 변환한다. 변환 후 얻어진 피처는 사전(dictionary) 학습 단계에서 희소 코딩(sparse coding)으로 표현되며, 이는 각 테스트 이미지가 사전 원소들의 선형 결합으로 근사될 수 있음을 의미한다.

핵심 기여는 오류 항(error term)에 저‑랭크 제약을 도입한 점이다. 기존 저‑랭크 복원 기법은 전체 오류 행렬이 완전한 저‑랭크 구조를 가진다고 가정하지만, 실제 GD 도메인에서는 가림 영역이 불연속적이고 잡음이 섞여 있어 완전한 저‑랭크라기보다 “약한(weak) 저‑랭크성”을 보인다. 이를 수학적으로는 ‖E‖_* ≤ τ·‖E‖_F 형태의 제약으로 모델링하고, ADMM(Alternating Direction Method of Multipliers) 프레임워크 내에서 두 개의 변수(희소 계수 α와 오류 행렬 E)를 교대로 업데이트한다. ADMM의 장점은 각 서브문제가 폐쇄형 해를 갖거나 효율적인 근사 해를 제공한다는 점이며, 따라서 대규모 얼굴 데이터셋에도 실시간에 가까운 속도로 적용 가능하다.

또한 논문은 “hierarchical adaptive”라는 용어를 도입해, 매핑 함수와 저‑랭크 제약의 강도를 이미지마다 자동으로 조정한다. 구체적으로, 가림 정도를 추정하는 사전 단계에서 얻은 가림 마스크의 통계량을 기반으로 λ(희소성 가중치)와 μ(저‑랭크 가중치)를 동적으로 스케일링한다. 이렇게 하면 가림이 심한 이미지에서는 저‑랭크 제약을 강화해 오류를 전역적으로 억제하고, 가림이 약한 경우에는 희소 표현에 더 큰 비중을 두어 세밀한 디테일을 보존한다.

실험에서는 실제 변장·가림 데이터(LFW‑Occluded, AR‑Disguise)와 인위적으로 생성한 연속 가림(블록, 스트립) 데이터를 사용했다. 평가 지표는 인식 정확도와 재구성 PSNR을 포함했으며, 제안된 GD‑HASLR은 기존 SRC, CRC, LRR, 그리고 최신 ResNet‑50, FaceNet 변형 대비 평균 4~7%p(percentage points)의 정확도 향상을 보였다. 특히, 30%~50% 연속 가림 상황에서 성능 격차가 가장 크게 나타났으며, 이는 저‑랭크 오류 모델이 가림 영역을 효과적으로 “압축”해 전체 피처 공간에 미치는 영향을 최소화했기 때문이다.

한계점으로는 매핑 함수 선택에 따라 연산량이 크게 변동한다는 점과, ADMM 수렴을 위한 파라미터 튜닝이 데이터셋 의존적일 수 있다는 점을 들 수 있다. 향후 연구에서는 경량화된 매핑 네트워크와 자동 파라미터 탐색 메커니즘을 도입해 모바일 환경에서도 적용 가능한 버전을 개발하는 것이 과제로 제시된다.

**