맵과 LMMSE 추정기의 블라인드 역문제 비교 연구

초록

본 논문은 완전히 통제된 2차원 블라인드 디컨볼루션 환경에서 MAP 추정과 선형 MMSE(LMMSE) 추정의 성능을 정량적으로 비교한다. 실험 결과, MAP 방법은 파라미터 민감도가 높고 불안정하지만, LMMSE는 견고한 베이스라인을 제공하며, 이를 초기값으로 활용하면 MAP의 수렴 속도와 정확도가 크게 향상된다.

상세 분석

이 연구는 블라인드 역문제, 특히 커널과 신호가 동시에 미지인 상황에서 MAP와 LMMSE 추정기의 근본적인 차이를 밝히는 데 초점을 맞춘다. 저자들은 신호 x와 커널 h를 각각 라플라스와 가우시안 사전분포로 가정하고, 관측 y = h∗x+ε (ε는 백색 가우시안 잡음) 형태의 합성 데이터를 생성한다. MAP 접근법은 베이즈 정리를 통해 p(x,h|y)∝p(y|x,h)p(x)p(h) 를 최대화하는 에너지 최소화 문제로 전환되며, 데이터 적합항 D와 정규화항 R_x, R_h 를 각각 ℓ2 데이터 피델리티와 ℓ1 라플라스 사전, 그리고 커널에 대한 두 가지 정규화(R_h = βσ−(a−1)logσ 혹은 ∥∇h∥₂) 로 정의한다. 비선형성 및 커널의 단순체 제약 때문에 최적화는 교대 최소화 방식으로 진행되며, α(희소 계수)와 h를 번갈아 업데이트한다. 이 과정은 초기값에 크게 의존하고, 정규화 파라미터 λ_α, λ_h 의 선택이 결과에 결정적인 영향을 미친다.

반면 LMMSE는 선형 결합 형태 b_x = E