포아송 역문제용 외부분할 Bregman 근접 연산자와 NoLips 통합

초록

본 논문은 포아송 잡음이 섞인 선형 모델에서 희소 벡터를 복원하기 위해, 두 Bregman 근접 연산자를 외부분할 방식으로 결합한 새로운 연산자를 제안한다. 이 연산자를 NoLips 알고리즘에 플러그‑인 형태로 삽입해 편향을 크게 감소시키면서 희소성을 유지한다. 또한 제안 연산자의 기하학적 구조를 원시·쌍대 공간 관점에서 두 가지 등가 변형으로 설명하고, 합성 데이터와 이미지 복원 실험을 통해 기존 KL 기반 방법보다 수렴 안정성과 복원 정확도가 우수함을 입증한다.

상세 분석

논문은 포아송 역문제에서 흔히 사용되는 KL 발산 기반 데이터 적합도와 ℓ₁ 정규화가 초래하는 추정 편향 문제를 동시에 해결하고자 한다. 핵심 아이디어는 두 개의 Bregman 근접 연산자를 외부분할(External Division) 형태로 결합하는 연산자 Tₕ,ω,η₁,η₂,a 를 정의하는 것이다. 여기서 h는 볼츠만‑샤논 엔트로피이며, η₁, η₂는 각각 두 근접 연산자의 스케일 파라미터, ω>1은 가중치, a는 희소성 유도용 시프트값이다. 외부분할 연산자는 ω·Prox₁ − (ω−1)·Prox₂ 형태로, Prox₁과 Prox₂는 각각 shifted ℓ₁‑norm에 대한 Bregman 근접 연산자이다. 중요한 점은 ω와 η₂를 적절히 선택하면 큰 입력에 대해 연산자가 거의 항등함수를 구현해 편향을 완전히 없앨 수 있다는 것이다. 이는 기존 ℓ₁‑norm 기반 근접 연산자가 큰 계수들을 과도하게 축소하는 현상을 극복한다.

제안 연산자를 NoLips 알고리즘에 플러그‑인(PnP) 방식으로 삽입하면, 표준 Bregman 근접 연산자를 대체하면서도 NoLips가 보장하는 수렴성(Lipschitz‑like convexity 조건)도 유지된다. 논문은 두 가지 등가 변형을 제시한다. 첫 번째는 원시 공간에서 입력을 ∇h(=mirror map)로 쌍대 공간으로 옮긴 뒤, 두 개의 soft‑shrinkage 연산자를 적용하고 다시 ∇h⁻¹로 복귀하는 과정으로 해석한다. 이때 희소성은 쌍대 공간에서 soft‑shrinkage에 의해 유도되고, 편향 감소는 원시 공간에서의 선형 결합으로 달성된다. 두 번째 변형은 S₁, S₂라는 스칼라 함수들을 정의하고, S₁에 ω와 S₂의 보정항을 더한 S를 통해 최종 연산자를 표현한다. 이 보정항이 큰 값에 대해 S(u)=u가 되도록 설계되어, 큰 계수에 대한 항등성(편향 없음)을 보장한다.

실험에서는 합성 데이터와 PET‑유사 이미지 복원 두 시나리오를 사용했다. 합성 실험에서는 비희소 비율 ρ와 신호 강도 k를 다양하게 바꾸어 평균 제곱오차와 재구성 SNR을 측정했으며, 제안 방법이 기존 KL‑ℓ₁ 기반 NoLips와 비교해 2~4 dB 정도의 성능 향상을 보였다. 이미지 복원에서는 잡음이 강한 상황에서도 세부 구조를 더 선명하게 복원했으며, 수렴 곡선도 진동이 적고 빠르게 안정화되는 모습을 확인했다.

이러한 결과는 외부분할 Bregman 연산자가 포아송 역문제에서 편향‑희소성 트레이드오프를 효과적으로 조절할 수 있음을 시사한다. 또한, 제안 연산자는 Bregman 거리와 엔트로피 기반 미분가능성에 기반하므로, 다른 비선형 데이터 적합도(예: 베르누이, 가우시안)에도 확장 가능성이 있다. 향후 연구에서는 제안 연산자의 수학적 수렴성을 엄밀히 증명하고, 딥러닝 기반 사전과 결합한 하이브리드 PnP 프레임워크를 탐색할 여지가 있다.