arXiv:2606.19580v1 stat.ME

웨이블릿 수축에 통합된 머신러닝 (MLShrink)

Machine Learning Integrated in Wavelet Shrinkage (MLShrink)

Dixon Vimalajeewa, Vijini Lakmini, Brani Vidakovic

제출 2026-06-17

한국어 초록

실제로 접하는 데이터는 종종 가산 잡음(additive noise)으로 오염되어 있으며, 웨이블릿 수축(wavelet shrinkage)은 비모수 추정(nonparametric estimation)에서 기저 신호를 복원하는 데 있어 여전히 기본적인 도구로 남아 있습니다. 하드 및 소프트 임계값 적용(hard and soft thresholding)과 같은 고전적인 절차는 웨이블릿 계수를 유지할지 여부를 거의 전적으로 그 크기에 따라 결정합니다. 많은 설정에서 효과적이지만, 이러한 규칙은 신호와 잡음의 구분이 불확실한 중간 영역에 크기가 속하는 계수에 대해서는 너무 경직될 수 있습니다. 우리는 웨이블릿 수축과 머신러닝을 결합한 이중 임계값 웨이블릿 노이즈 제거 절차인 MLShrink를 제안합니다. 하한 임계값보다 낮은 계수는 폐기되고, 상한 임계값보다 높은 계수는 유지되며, 중간 대역의 계수는 국소 웨이블릿 영역 특징을 사용하여 분류됩니다. 이러한 방식으로 MLShrink는 결정 경계(decision boundary)에서 멀리 떨어진 곳에서는 고전적 임계값 적용의 단순성을 유지하면서, 모호한 계수에 대해서는 데이터 적응적(data-adaptive) 결정을 허용합니다. 본 논문은 또한 이 아키텍처에 맞춰진 이론적 프레임워크를 개발합니다. 우리는 MLShrink가 비팽창(nonexpansive) 지지 집합 선택 규칙임을 보이고, 초과 노이즈 제거 위험(excess denoising risk)이 미결정 대역에서의 분류 오류에 의해 결정됨을 보여주는 오라클 기반(oracle-based) 위험 분해를 도출하며, 분류기 성능에 대한 적절한 가정 하에서 오라클 일관성(oracle-consistency) 결과를 확립합니다. 표준 벤치마크 신호에 대한 시뮬레이션 실험은 MLShrink가 여러 확립된 웨이블릿 수축 방법과 경쟁력이 있으며, 불규칙하거나 에지가 많거나 비평활(non-smooth)한 구조를 가진 신호에 특히 효과적임을 나타냅니다. 이러한 발견은 중간 임계값 대역에서의 학습된 결정이 고전적인 웨이블릿 노이즈 제거와 현대 통계적 학습 사이의 유용하고 해석 가능한(interpretable) 연결 고리를 제공함을 시사합니다.

원문 초록

Data encountered in practice are frequently contaminated by additive noise, and wavelet shrinkage remains a fundamental tool for recovering underlying signals in nonparametric estimation. Classical procedures such as hard and soft thresholding decide whether to retain a wavelet coefficient almost entirely from its magnitude. Although effective in many settings, these rules can be too rigid for coefficients whose magnitudes fall in an intermediate region where the distinction between signal and noise is uncertain. We propose MLShrink, a two-threshold wavelet denoising procedure that combines wavelet shrinkage with machine learning. Coefficients below a lower threshold are discarded, coefficients above an upper threshold are retained, and coefficients in the intermediate band are classified using local wavelet-domain features. In this way, MLShrink preserves the simplicity of classical thresholding away from the decision boundary while allowing data-adaptive decisions for ambiguous coefficients. The paper also develops a theoretical framework tailored to this architecture. We show that MLShrink is a nonexpansive support-selection rule, derive an oracle-based risk decomposition showing that excess denoising risk is determined by classification errors on the undecided band, and establish an oracle-consistency result under suitable assumptions on classifier performance. Simulation experiments on standard benchmark signals indicate that MLShrink is competitive with several established wavelet shrinkage methods and is especially effective for signals with irregular, edge-rich, or non-smooth structure. These findings suggest that learned decisions on the intermediate threshold band provide a useful and interpretable connection between classical wavelet denoising and modern statistical learning.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.19580v1제출 시각 미확인

함께 살펴볼 논문

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

arXiv:2609.27893v1eess.IV공통 태그 Denoising, Image Denoising

하위 반프레임(lower semi-frames)을 이용한 이미지 디노이징

Image Denoising Using Lower Semi-Frames

가법적 백색 가우시안 노이즈(additive white Gaussian noise)에 대해, 무한 방향성 하위 반프레임(infinite directional lower semi-frame, DLSF)에 기반한 블라인드 이미지 디노이징 프레임워크를 제안한다. 제안 모델은 무계(unbounded) 반프레임(semi-frame) 연산자에 대한 resolvent 정규화(regularization)와 함께 스케일 의존적(scale-dependent) 방향 분석을 사용한다. 네 개의 방향 차분 채널(directional difference channel)의 결합 공분산(joint covariance)을 모델링하고 공분산 백화(covariance whitening)를 적용해 카이제곱(chi-square) 통계량을 얻음으로써, DLSF 영역에서 노이즈 분산(noise variance)을 직접 추정한다. 하위 꼬리 모멘트 추정량(lower-tail moment estimator)은 중位 절대 편차(median absolute deviation) 없이 블라인드 노이즈 추정을 제공한다. 추정된 노이즈 수준은 채널별 Wiener형 수축(channel-wise Wiener-type shrinkage)과 canonical-dual 합성(synthesis)에 반영되며, 이어 자동 중단(automatic stopping)을 갖는 데이터 일관(data-consistent) 반복 재구성(iterative reconstruction)이 수행된다. 노이즈 수준 15–30에서 세 장의 표준 그레이스케일 이미지에 대한 실험 결과, 평균 상대 노이즈 추정 오차는 3.28%이며 PSNR은 평균 7.45 dB, SSIM은 평균 0.367만큼 개선되었다. 30/255 노이즈에서는 추정 오차가 1.73%로 감소하고 평균 PSNR 이득은 8.31 dB였다. 결과는 효과적인 노이즈 억제와 구조 보존을 보여 주며, 매끄럽거나 에지가 지배적인 이미지에서 가장 강한 성능을 나타낸다.

arXiv:2609.22789v1cs.CV공통 태그 Denoising, Image Denoising

PixelART: 잠재 표현 또는 텍스트-이미지 사전학습 없이 이미지-층 분해

PixelART: Image-to-Layer Decomposition without Latents or Text-to-Image Pretraining

이미지-층 분해는 평탄화된 이미지를 편집 가능한 RGBA 층으로 변환하여 디자인 워크플로에서 요소 단위 편집을 가능하게 한다. 기존 확산(diffusion) 기반 시스템은 일반적으로 대규모 사전학습된 텍스트-이미지(T2I) 모델을 적응시키고 RGBA 오토인코더 또는 가변 층 아키텍처 모듈을 도입한다. 우리는 이 설계 선택을 재검토하며, 층 분해가 정말로 이러한 고중량 구성 요소를 필요로 하는지 묻는다. 우리는 이미지-층(I2L) 분해를 위해 처음부터 학습된 픽셀 공간 rectified-flow 트랜스포머인 PixelART를 제안한다. PixelART는 단일 스트림 멀티모달 확산 트랜스포머로 영역 RGBA 픽셀 패치를 직접 디노이징하며, RGBA-VAE, 사전학습 T2I 백본, 층별 디코더를 사용하지 않는다. 우리는 이 과제의 핵심 특성을 밝힌다. 고노이즈 타임스텝은 층 할당과 거친 층 구조를 결정하고, 저노이즈 타임스텝은 주로 색상, 알파, 텍스처, 경계를 정제한다. 이 관찰에 기반하여 고노이즈 층 할당 구간에서 학습 커버리지를 높이기 위해 terminal-boosted 타임스텝 샘플링 전략을 제안한다. 400만 개의 다층 디자인 템플릿으로 학습된 PixelART는 Design-Multi-Layer-Bench와 LICA에서 최근 Qwen-Image-Layered 모델 대비 파라미터 80% 이상 감소, 지연 시간 98% 감소, 메모리 85% 감소로 최첨단 층 분해 및 합성 재구성 성능을 달성한다. Ablation 실험은 픽셀 공간 $\mathbf{x}$-prediction, terminal-boosted 타임스텝 샘플링, 데이터/모델 스케일링이 핵심적임을 보여 주며, T2I 사전학습은 I2L 과제에 미미한 이득만 가져온다.

arXiv:2607.11090v1cs.CV공통 태그 Denoising, Image Denoising

저조도 카메라가 색맹이 되는 이유: Raw 노이즈 제거에서의 색상 바이어스 제거

Why Low-Light Cameras Go Color Blind: Removing Color Bias in Raw Denoising

Raw 이미지는 빛의 확률적 특성과 센서 하드웨어의 불완전성으로 인해 본질적으로 노이즈에 취약하다. 실제 광자 수가 감소함에 따라 신호 대비 노이즈 비율이 저하되며, 따라서 저조도 환경에서 강건한 노이즈 제거는 고품질 결과물을 위해 특히 중요하다. 최근 데이터 기반 방법들은 높은 성능을 달성하지만, 일반적으로 수집 비용이 높고 어려운 대규모 노이즈-클린 이미지 쌍에 의존한다. 대안으로 파라메트릭 노이즈 모델이 합성 학습 데이터를 생성할 수 있지만, 이는 정밀한 카메라 캘리브레이션을 필요로 하며 미지의 장치에 대해서는 종종 비실용적이다. 본 연구에서는 저조도 Raw 노이즈 제거를 위한 카메라 무관(camera-agnostic), 캘리브레이션 불필요 패러다임을 제안한다. 블랙 레벨 오류로 인한 색상 바이어스가 성능 저하의 주요 원인이며 심각한 색상 왜곡을 유발함을 규명한다. 이를 완화하기 위해, 노이즈 입력의 전역 특징으로서 블랙 레벨 오류를 예측하는 바이어스 추정기 네트워크를 도입한다. ELD, SID, LRID 데이터셋에서 접근 방식을 평가하여 블라인드 노이즈 제거기 중 우수한 성능을, 특히 색상 보정 측면에서 입증한다. 많은 경우에서 더 강한 지도 학습(supervision)을 활용하는 방법들과 동등하거나 이를 능가하기도 한다. 또한, 널리 사용되는 SIDD 데이터셋의 정답(ground-truth) 이미지에 상당한 색상 바이어스가 존재함을 밝히며, 이는 학습된 모델에서 비현실적인 색상 재현을 초래한다. 이 문제를 해결하기 위한 새로운 정답 추출 프레임워크를 제안하고, 수정된 데이터셋에서 기존 방법들의 벤치마크를 제공한다.

arXiv:2607.09193v1cs.CV공통 태그 Denoising, Image Denoising

YeTI: 실세계 sRGB 노이즈 생성을 위해 두 장의 노이즈 이미지만으로 충분하다

YeTI: You Only Need Two Noisy Images for Real-World sRGB Noise Generation

실세계 sRGB 이미지 노이즈 제거는 센서 노이즈의 비선형적 특성과 정렬된 클린-노이즈 이미지 쌍 획득의 어려움으로 인해 여전히 난제로 남아 있다. 지도 학습 기반 노이즈 제거기는 제한된 쌍 데이터셋에 과적합되기 쉬우며, 자기 지도 학습 방법 역시 충분히 다양한 노이즈 관측값에 의존한다. 이러한 한계는 클린 정답 데이터나 카메라 메타데이터 없이 실세계 노이즈를 모델링할 수 있는 확장 가능한 노이즈 합성 방법에 대한 동기를 부여한다. 우리는 동일한 장면의 두 장의 노이즈 관측값만으로 학습하는 실세계 sRGB 노이즈 생성 프레임워크 YeTI를 제안한다. YeTI는 재구성 오토인코더(Reconstruction Autoencoder)를 사용해 장면 구조와 노이즈 특성을 분리하고, 일관성 목적 함수로 학습된 단일 단계 조건부 확산 트랜스포머(Conditional Diffusion Transformer)로 잠재 노이즈 분포를 모델링한다. 추론 시 단일 노이즈 입력이 주어지면, YeTI는 기저 장면 콘텐츠를 보존하면서 신호 의존적인 현실감 있는 노이즈를 생성한다. 광범위한 실험을 통해 실세계 벤치마크에서 YeTI의 효과를 입증한다. SIDD에서 노이즈 생성을 평가하고, 스마트폰 및 다양한 소비자 카메라 센서를 포함하는 SIDD+, MAI2021, SID에서 일반화 성능을 추가로 평가한다. DND에서의 다운스트림 노이즈 제거 결과는 YeTI로 합성된 이미지로 학습된 노이즈 제거기가 강력한 실세계 성능을 달성함을 보여주며, 클린 이미지 및 메타데이터가 불필요한 노이즈 생성의 실용적 가치를 부각한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.