이미지 분해와 복원을 위한 이중 ADMM 알고리즘

본 논문은 이미지 처리 분야에서 오래된 과제인 이미지 분해와 복원을 하나의 통합 모델로 다루고, 이를 해결하기 위한 새로운 최적화 알고리즘인 이중 교대 방향법(dual ADMM, dADMM)을 제안한다. 연구 배경으로는 이미지 f를 카툰(u)과 텍스처(v) 두 성분으로 분해하는 Meyer 모델과 그 변형들이 소개된다. 기존 모델은 TV 정규화와 Sobolev‑계수 기반 텍스처 정규화를 결합했지만, 직접적인 라그랑주 해석이 어려워 근사화 기법이나 프라임 ADMM이 주로 사용되어 왔다. 저자들은 이러한 한계를 극복하고자, 원문 문제(6)를 일반적인 2‑블록 형태인 (7)으로 일반화하고, 라그랑주 듀얼을 도출한다. 듀얼 문제는 u∈Z, v∈X, w∈Y에 대한 최소화 형태이며, 여기서 v와 w는 각각 p*와 q*의 공액함수에 해당한다. 듀얼 문제에 대해 augmented Lagrangian을 구성하고, 변수 u, (v,w), 라그랑주 승수(x,y)를 순차적으로 업데이트하는 dADMM 절차를 설계한다. 구체적인 단계는 다음과 같다. ① u‑서브문제는 (I + σAAᵀ + σBBᵀ)u = Ax + By − b − σAv − σBw 라는 선형 시스템을 풀어 얻는다. ② (v,w)‑서브문제는 각각 p*와 q*의 프로시멀 연산을 수행하며, Moreau 항등식을 이용해 p와 q의 프로시멀 형태로 변환한다. ③ 라그랑주 승수 x, y는 τσ 배율로 업데이트한다. 이때 τ는 (0,(1+√5)/2) 구간의 이완 파라미터이며, σ는 양의 스칼라이다. 알고리즘의 수렴성은 반정밀 ADMM의 기존 이론을 그대로 적용해 전역 수렴을 증명하고, 매핑 R이 piecewise‑polyhedral인 경우 지역 선형 수렴률을 확보한다. 실험 부분에서는 네 가지 A 연산자를 설정한다. (1) A=I (단순 복원), (2) A=S (블러 행렬), (3) A=K (결손 마스크), (4) A=KS (블러·결손 복합). 각 경우에 대해 PSNR, Corr(u,v), 그리고 제안된 잔차 지표 Rₚ, R_d, R_c를 측정한다. 초기값은 모두 0으로 설정하고, Tol = max{Rₚ,R_d,R_c} ≤ 10⁻³ 혹은 최대 70회 반복 시 종료한다. 결과는 dADMM이 동일한 정지 기준 하에서 기존 ADME와 ADMGB보다 평균 1~2 dB 높은 PSNR를 달성하고, 카툰과 텍스처 사이의 상관계수도 현저히 낮아 분해 품질이 우수함을 보여준다. 특히 블러·결손 복합 상황에서 dADMM은 빠른 수렴과 안정적인 복원 성능을 보이며, 텍스처 정규화 파라미터 s를 ℓ₁, ℓ₂, ℓ∞ 중 선택함으로써 다양한 텍스처 특성을 효과적으로 모델링한다. 논문의 주요 기여는 다음과 같다. 첫째, 이미지 분해·복원 문제를 듀얼 관점에서 재구성하고, 이를 해결하기 위한 dADMM 프레임워크를 제시하였다. 둘째, 전역 수렴과 지역 선형 수렴률을 이론적으로 증명함으로써 알고리즘의 안정성을 확보했다. 셋째, 다양한 손상 모델에 대해 실험적으로 검증하여 기존 프라임 ADMM 기반 방법보다 높은 복원 품질과 빠른 수렴을 입증했다. 마지막으로, 텍스처 정규화에 ℓ₁, ℓ₂, ℓ∞를 적용함으로써 모델의 유연성을 확대하고, 실제 이미지에서 텍스처와 카툰을 명확히 구분하는 데 성공했다. 향후 연구에서는 비선형 복원 연산자, 다중 스케일 텍스처 모델, 그리고 딥러닝 기반 사전지식과의 결합을 통해 dADMM의 적용 범위를 넓히는 방향을 제시한다.