정보‑추정 기하학으로 배우는 새로운 거리 측정법

초록

본 논문은 연속 확률밀도 위에 정의된 거리 함수인 Information‑Estimation Metric(IEM)을 제안한다. IEM은 가우시안 잡음으로 흐려진 밀도의 스코어(로그밀도 기울기) 벡터장을 다양한 잡음 레벨에서 비교해 얻는 평균 제곱오차를 적분함으로써 정의된다. IEM은 전역 거리 성질을 만족하고, 로컬에서는 두 번째 차수 전개를 통해 양정적인 리만 계량을 제공한다. 가우시안 분포에서는 Mahalanobis 거리와 일치하지만, 복잡한 분포에서는 데이터의 기하학에 맞게 적응한다. 실험에서는 ImageNet에서 학습된 denoiser를 이용해 IEM을 계산하고, 인간 지각 판단을 예측하는 최신 감독식 이미지 품질 지표와 경쟁하거나 이를 능가함을 보였다.

상세 분석

IEM의 핵심 아이디어는 정보‑추정 관계, 즉 I‑MMSE 공식과 Tweedie‑Miyasawa 식을 활용해 로그 확률밀도를 점별이 아닌 벡터 형태인 “denoising error”로 분해하는 데 있다. 구체적으로, 신호 x에 가우시안 잡음 wγ를 더한 관측 yγ=γx+wγ를 정의하고, 이때 MMSE 추정 E