arXiv:2510.04382v3 eess.IV

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

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

Wojciech G\'orny, Micha{\l} {\L}asica, Alexandros Matsoukas

제출 2026-09-24

한국어 초록

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.

원문 초록

Even though more than 30 years have passed since the seminal Rudin--Osher--Fatemi (ROF) paper on total variation (TV) denoising, it remains relevant due to its simplicity, robustness and interpretability. However, it is known to suffer from artifacts such as the staircasing effect. Many variants of the model have been proposed with the aim of countering this. Recently, against the backdrop of immense research output on double-phase problems in the mathematical analysis community, a double-phase type integral functional, comprising of TV and a weighted term of quadratic growth, was suggested as a regularizer for image restoration. Here, we propose an adaptive variant of the ROF denoising model based on that regularizer. Variable growth of the double-phase functional allows for qualitatively different behavior at image contours, which are captured by an initial ROF reconstruction step. The model is designed to reduce staircasing with respect to the classical ROF model, while preserving the edges of the image in a similar fashion. We derive a closed-form resolvent formula and adapt the primal-dual Chambolle--Pock scheme for the numerical solution of the model. We also propose a practical noise-dependent parameter prescription and evaluate its performance on synthetic and natural images over a range of noise levels. Compared to established models with similar interpretability, we observe an improved or similar performance in terms of similarity metrics SSIM, PSNR, and LPIPS, while the staircasing effect is visibly reduced.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2510.04382v3제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2505.19120v2cs.CV공통 태그 Image Denoising, Image Restoration공식 코드 · Papers with Code

Freqformer: 효과적인 주파수 분해를 통한 이미지 무아레 제거 트랜스포머

Freqformer: Image-Demoiréing Transformer via Effective Frequency Decomposition

이미지 무아레 제거(image demoiréing)는 무아레 패턴으로 인한 텍스처 손상과 색상 왜곡 간의 복잡한 상호작용 때문에 여전히 어려운 과제로 남아 있다. 기존 방법들, 특히 직접적인 이미지 대 이미지 복원에 의존하는 방법들은 이처럼 뒤엉킨 아티팩트를 효과적으로 분리하는 데 실패하는 경우가 많다. 주파수 인식(frequency-aware) 접근법이 유망한 방향을 제시하지만, 이산 변환(예: Haar 웨이블릿 또는 블록 기반 DCT)으로 인해 그 잠재력이 제한된다. 이러한 이산 변환은 공간적 불연속성, 채널 중복 문제를 야기할 수 있으며, 고정된 역변환 과정에서 오차 누적을 초래할 수 있다. 본 논문에서는 목표 지향적 주파수 분리를 통해 이미지 무아레 제거를 위해 특별히 설계된 트랜스포머 기반 프레임워크인 Freqformer를 제안한다. 제안된 방법은 무아레 패턴을 고주파 공간 국소화 텍스처와 저주파 스케일 강인 색상 왜곡으로 분리하는 효과적인 주파수 분해를 수행하며, 각각의 특성에 맞게 설계된 이중 분기 아키텍처와 비대칭 학습 방식을 통해 처리된다. 또한, 주파수별 출력을 적응적으로 융합하여 일관되고 고충실도의 복원을 가능하게 하는 학습 가능한 주파수 합성 변환(FCT, Frequency Composition Transform) 모듈을 제안한다. 공간적 의존성과 채널 간 보완 정보를 더욱 효과적으로 집약하기 위해, 높은 연산 비용 없이 무아레에 민감한 영역을 정제하는 공간 인식 채널 어텐션(SA-CA, Spatial-Aware Channel Attention) 모듈을 도입한다. 다양한 무아레 제거 벤치마크에 대한 광범위한 실험을 통해 Freqformer가 소형 모델 크기로 최첨단 성능을 달성함을 입증한다. 코드는 https://github.com/xyLiu339/Freqformer에서 공개될 예정이다.

arXiv:2609.32393v2math.OC공통 태그 Image Denoising, Image Restoration

어닐링된 노이즈 레벨을 갖는 수렴형 Plug-and-Play 영상 복원

Convergent Plug-and-Play Image Restoration with Annealed Noise Levels

플러그 앤 플레이(Plug-and-Play, PnP) 방법은 반복 최적화(optimization) 알고리즘에 딥러닝 기반 디노이저를 통합하여 영상 역문제(inverse problem)를 해결합니다. 실제 구현에서는 반복에 따라 디노이저 노이즈 레벨 $σ$를 점차 감소시키는 경우가 많지만, 기존의 대부분의 수렴 분석은 고정된 디노이저를 가정합니다. 본 연구에서는 결정론적 방법(RED--GD 및 PnP--PGD)과 확률론적 방법(SNORE, 동변 RED, 그리고 PnP--Flow의 변형)을 아우르는, 어닐링된 노이즈 레벨을 갖는 광범위한 플러그 앤 플레이 알고리즘 계열에 대한 수렴 보장을 확립합니다. 각 방법에 대해 최종 디노이징 레벨과 연관된 명시적인 비볼록(nonconvex) 목적 함수를 식별하고, 해당 목적 함수에 대한 반복점들의 점근적 정상성(asymptotic stationarity)을 증명합니다. 우리의 분석은 노이즈 스케줄에 특정한 감쇠율을 강제하지 않으며, 학습된 그래디언트 단계 디노이저와 정확한 MMSE 디노이저를 모두 포함하는 가정을 채택합니다. 전반적으로, 본 연구의 이론적 결과는 기존 PnP 수렴 이론과 최신 영상 복원 기법에서 사용되는 감쇠 디노이징 실무 사이의 간극을 메웁니다. 우리는 이러한 스케줄의 이점을 실험적으로 입증하고, 인페인팅(inpainting), 초해상도(super-resolution), 디모자이킹(demosaicing), 단층촬영(tomography)을 포함한 여러 영상 역문제에서 예측된 수렴 거동을 보여줍니다.

arXiv:2609.22238v2cs.LG공통 태그 Image Denoising, Image Restoration

혼합 정밀도 양자화를 위한 태스크 인지 QUBO 할당

Task-Aware QUBO Allocation for Mixed-Precision Quantization

혼합 정밀도(mixed-precision) 양자화(quantization)는 가중치(weight) 및 활성화 비트 폭(bit-width)의 이산적 할당과 선택된 네트워크의 복구 과정을 필요로 합니다. 본 연구에서는 분리된 가중치 및 활성화 프로파일, 비트 연산(BOP) 비용, 그리고 선택된 구조적 사전 정보를 포함하는 태스크 인지 2차 무제약 이진 최적화(QUBO) 대리 모델(surrogate)을 개발합니다. QUBO는 직접적인 검증(validation) 기반 PROTES 탐색을 통해 미세 조정될 수 있는 네트워크 전반의 할당을 제공합니다. 소형 NAFBlock 기반 디노이저에서 정제된 경로는 HAWQ 스타일 기준선(baseline)의 4.101%에서 37.092 dB 대비, 4.035% 라우팅 층(layer) BOP에서 LSQ+ 적용 후 37.192 dB를 달성합니다. 반복 탐색 주요 실험에 따르면 LSQ+는 QUBO 할당과 비용이 많이 드는 직접 정제 간의 품질 격차를 대부분 좁히는 것으로 나타났습니다. 추가적인 복원 아키텍처에서는 더 큰 복구 이득을 유지하여, 정제의 효용이 아키텍처와 복구 방식에 따라 달라짐을 보여줍니다. 본 연구에서는 품질, 달성된 비용, 라우팅 안정성 및 최적화 비용을 종합적으로 평가합니다. 배포 측정은 가짜 양자화(fake-quantized) 부동소수점 구현을 특성화하며, BOP 감소는 해석적 할당 절감 효과를 나타냅니다.

arXiv:2609.22390v1eess.IV공통 태그 Image Denoising, Image Restoration

SENSE 가속 뇌 MRI에서 해부학적으로 충실한 아티팩트 억제

Anatomically Faithful Artifact Suppression in SENSE Accelerated Brain MRI

배경: 4배 가속 sensitivity encoding(SENSE4)은 뇌 MRI 촬영 시간을 단축할 수 있으나, 노이즈를 증폭하고 기존 재구성 후 잔여 aliasing 아티팩트가 남을 수 있다. 목적: 이미지 도메인 정제(refinement) 프레임워크가 정량 측정에 필요한 해부학적 정보를 보존하면서 SENSE4 뇌 MRI 품질을 개선할 수 있는지 평가한다. 방법: 본 전향적 paired 연구에서 80명의 참가자가 fully sampled 및 4배 가속 SENSE T1-weighted MRI를 시행했다. 우리는 generalized self-attention과 상관 기반 잔차 아티팩트 정규화(regularization)를 통해 가속 재구성을 정제하는 Anatomy-aware Residual Attention Network(ART-Net)를 개발했다. 참가자 단위 분할로 학습, 검증, 독립 시험 코호트(45/5/30명)를 구성했다. 독립 시험 코호트에 대해 이미지 품질 및 해부학적 보존에 대한 정량, 분할 기반, 맹검 방사선과 평가를 시행했다. 결과: ART-Net은 평가된 방법 중 최고 수준의 재구성 성능을 보였으며, peak signal-to-noise ratio(31.03 +/- 2.88 dB)와 structural similarity index(0.963 +/- 0.022)를 달성했다. 또한 해부학적 충실도가 개선되어, 위축(atrophy) 평가와 관련된 medial temporal 구조(0.8824 +/- 0.0827) 및 whole-brain 영역(0.8857 +/- 0.0885)에 대해 수치상 최고 Dice 계수를 보였다. 더불어 ART-Net은 그래디언트(gradient) 충실도, 국소 대비 보존, 방사선과가 평가한 구조적 품질을 개선했다. 결론: ART-Net은 단일 기관 held-out 시험 코호트에서 SENSE4와 fully sampled T1-weighted 영상 간 일치를 개선하면서 분할 기반 해부학적 측정을 유지했다. 이러한 결과는 ART-Net이 영상 충실도를 높이고 신뢰할 수 있는 하위 해부학적 분석을 가능하게 함으로써 가속 뇌 MRI를 지원할 수 있음을 시사한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.