PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2510.04382v3eess.IV

적응형 이중상 Rudin--Osher--Fatemi 노이즈 제거 모델

Adaptive double-phase Rudin--Osher--Fatemi denoising model

전체 변분(TV) 노이즈 제거에 관한 획기적인 Rudin--Osher--Fatemi(ROF) 논문이 발표된 지 30년이 넘었지만, 단순함, 견고성, 해석 가능성 때문에 여전히 관련성이 있다. 그러나 계단 현상(staircasing effect)과 같은 아티팩트를 일으키는 것으로 알려져 있다. 이를 완화하기 위해 모델의 많은 변형이 제안되었다. 최근 수학 해석학 커뮤니티에서 이중상(double-phase) 문제에 대한 막대한 연구 성과가 쌓인 배경에서, TV와 이차 성장의 가중 항으로 구성된 이중상형 적분 범함수가 영상 복원을 위한 정규화 항으로 제안되었다. 본 연구에서는 해당 정규화 항을 바탕으로 ROF 노이즈 제거 모델의 적응형 변형을 제안한다. 이중상 범함수의 가변 성장(variable growth)은 초기 ROF 복원 단계로 포착되는 영상 윤곽에서 질적으로 다른 거동을 가능하게 한다. 본 모델은 고전 ROF 모델 대비 계단 현상을 줄이도록 설계되었으며, 영상의 에지(edge)는 유사한 방식으로 보존한다. 폐형식 리졸벤트(resolvent) 공식을 유도하고, 모델의 수치 해법을 위해 primal-dual Chambolle--Pock scheme을 개조한다. 또한 실용적인 노이즈 의존 매개변수 설정법을 제안하고, 다양한 노이즈 수준에서 합성 및 자연 영상에 대해 성능을 평가한다. 유사한 해석 가능성을 갖는 기존 모델들과 비교할 때, 유사도 지표 SSIM, PSNR, LPIPS 측면에서 개선되거나 유사한 성능을 보이며, 계단 현상은 눈에 띄게 감소한다.

arXiv:2511.18737v3math.ST

총변동 페널티화를 통한 선형 동적 시스템 네트워크의 결합 학습

Joint learning of a network of linear dynamical systems via total variation penalization

그래프 위에 배치된 $m$개의 선형 동적 시스템(LDS)을 총변동(total variation) 페널티 최소제곱 추정량으로 결합 추정하는 방법을 제안하며, 시스템 행렬이 그래프 엣지에 걸쳐 부드럽게 변하거나 소수의 점프만 보일 때 각 노드를 독립적으로 추정하는 OLS보다 MSE가 훨씬 빠르게 감소함을 비점근적으로 증명한다. 특히 잘 연결된 그래프에서는 궤적 길이 $T$가 상수일 때도 $m$이 증가함에 따라 MSE가 0으로 수렴하는 약한 일관성이 보장됨을 보이고, 합성 데이터 및 미국 EPA 대기질 모니터링 네트워크 실제 데이터 실험으로 이를 검증한다.

arXiv:2606.30958v1stat.ME

비볼록 이중 전변동 정규화를 통한 지수족 텐서 완성

Exponential-Family Tensor Completion via Nonconvex Dual Total-Variation Regularization

가우시안·포아송 등 표준 설정을 포괄하는 지수족(exponential-family) 잡음 하의 텐서 완성(tensor completion) 문제를 다루기 위해, 변환된 L1 함수 기반의 이중-TV(Dual-TV, DTV) 정규화 계열을 제안하여 그래디언트 텐서의 희소성과 저랭크(low-rank) 구조를 동시에 포착한다. 제안 추정량의 복원 오차에 대한 이론적 상·하한을 엄밀히 분석하고, 합성·이미지·비디오 데이터셋 실험을 통해 그 유효성을 검증하였다.

arXiv:2410.02587v2cs.CV

An Improved Variational Method for Image Denoising

The total variation (TV) method is an image denoising technique that aims to reduce noise by minimizing the total variation of the image, which measures the variation in pixel intensities. The TV method has been widely applied in image processing and computer vision for its ability to preserve edges and enhance image quality. In this paper, we propose a Mixed-norm TV (MixTV) model for image denoising and the associated numerical algorithm to carry out the procedure, which is particularly effective in removing several types of noise and their combinations. Our MixTV admits a unique solution and the associated numerical algorithm guarantees convergence. Numerical experiments are demonstrated to show improved effectiveness and denoising quality compared to other TV models. Such encouraging results further enhance the utility of the TV method in image processing. Our project page is available at https://angusbb.github.io/MixTV.

arXiv:2606.17343v1cs.CV

희소성 사전 모델과 마르코프 연쇄 몬테카를로 샘플링을 이용한 베이지안 자기 공명 영상 공동 재구성 및 불확실성 정량화

Bayesian Magnetic Resonance Joint Image Reconstruction and Uncertainty Quantification using Sparsity Prior Models and Markov Chain Monte Carlo Sampling

우리는 압축 감지 자기 공명 영상 재구성을 사용하여 불확실성 정량화를 위한 새로운 프레임워크를 제안합니다. 이 문제는 베이지안 프레임워크 내에서 선형 역문제로 공식화되며, 알 수 없는 모델 파라미터에는 사전 분포가 할당됩니다. 구체적으로, 재구성할 이미지는 주어진 기저에서 희소(sparse)하다고 가정합니다. 우리는 모든 기저에 적용 가능한 일반적인 프레임워크를 개발했으며, 예로서 (1) 총 변분(Total Variation) 사전 모델을 사용한 공간 기울기(spatial gradients)와 (2) 웨이블릿 변환에서의 이미지 희소성을 테스트합니다. 그런 다음 분할-증강(split-and-augmented) 기브스 샘플러에 기반한 마르코프 연쇄 몬테카를로(MCMC) 방법을 사용하여 알 수 없는 파라미터의 사후 분포에서 샘플링을 수행합니다. 미분 불가능한 조건부 분포는 근사(proximal) MCMC 방법을 사용하여 효율적으로 샘플링됩니다. 제안된 알고리즘은 다양한 k-공간(k-space) 서브샘플링 패턴과 비율을 사용하여 단일 코일 및 다중 코일 데이터셋에서 검증되었습니다. 결과는 이미지 재구성에 있어 각 제안된 접근 방식이 대응되는 최적화 기반 방법보다 우수한 성능을 보여줍니다. 더불어, 우리의 프레임워크는 불확실성을 효과적으로 정량화하며, 기존 심층 학습 기반 방법과 비교했을 때 추정된 불확실성 맵과 정답(ground truth) 및 재구성된 이미지를 사용하여 계산된 오차 맵 사이에 유의미한 상관관계를 보여줍니다.