Image Denoising via the Adaptive Rank-Cluster Filter

이미지는 흔히 현실의 완벽한 기록으로 취급되지만, 이를 포착하는 센서는 물리 법칙의 지배를 받는 물리적 객체입니다. 카메라가 장면을 포착할 때, 특히 저조도 환경이나 증폭이 높은 상황에서는 결과 데이터가 순수하지 않은 경우가 많습니다. 이는 빈번하게 두 가지 뚜렷한 유형의 간섭에 의해 오염됩니다. 한 가지 유형은 표면에 뿌려진 소금과 후추처럼 이미지 전반에 흩어져 있는 무작위적인 밝거나 어두운 점들로 나타납니다. 다른 하나는 오래된 텔레비전 화면의 정지 화면과 유사하게 세부 묘사를 부드럽게 만드는 입자 형태의 안개입니다. 현실 세계에서 이 두 가지 형태의 노이즈는 종종 함께 나타나며, 제거하기 까다로운 복잡한 혼란을 만들어냅니다. 실제 이미지를 흐리게 만들지 않으면서 이 노이즈를 제거하는 것은 디지털 이미징 분야의 근본적인 과제이며, 특히 아주 작은 세부 사항을 놓치는 것이 심각한 결과를 초래할 수 있는 의료 진단과 같은 분야에서는 더욱 그러합니다.

수십 년 동안 이미지를 정화하는 표준적인 접근 방식은 컴퓨터가 방대한 이미지 라이브러리를 통해 깨끗한 이미지가 어떻게 보여야 하는지를 학습하도록 훈련하는 딥러닝에 의존해 왔습니다. 이러한 시스템은 강력하지만 중대한 단점들을 가지고 있습니다. 이들은 훈련을 위해 막대한 양의 데이터를 필요로 하며, 존재하지 않았던 세부 사항을 만들어내기도 하고, 본 적 없는 노이즈 패턴에 직면했을 때 어려움을 겪습니다. 이는 학습된 패턴보다는 단순한 수학적 규칙에 의존하는 더 오래된 전통적 방식들이 여전히 자리를 잡게 만들었습니다. 이러한 고전적 필터들은 빠르고 예측 가능하며 새로운 세부 사항을 환각(hallucinate)하지 않기에, 실시간 시스템이나 자원이 제한된 장치에 필수적입니다. 그러나 대부분의 이러한 전통적 도구들은 단 한 가지 특정 유형의 노이즈만을 처리하도록 설계되었습니다. 따라서 실제 세상에서 발견되는 점무늬와 입자감이 섞인 복잡한 상황에 직면하면, 그 성능은 종종 무너지며 이미지를 너무 흐릿하게 만들거나 여전히 노이즈가 남게 만듭니다.

이러한 격차를 해결하기 위해, 드미트리 포즈드냐코프(Dmitry Pozdnyakov)는 '적응형 랭크-클러스터(Adaptive Rank-Cluster)' 필터라는 새로운 방법을 개발했습니다. 목표는 혼합된 노이즈를 처리하면서도 원본 이미지의 날카로운 가장자리와 미세한 질감을 온전히 유지할 수 있는 도구를 만드는 것이었습니다. 연구진은 이 새로운 필터를 중앙값 필터(median filters), 가우시안 블러(Gaussian blurs), 그리고 더 복잡한 비국소 평균(non-local means) 기법을 포함한 일련의 확립된 알고리즘들과 비교 테스트했습니다. 그들은 단순한 기하학적 도형부터 바부인의 털과 같은 복잡한 자연 장면까지 아우르는 네 가지 표준 이미지를 대상으로, 각 이미지에 다양한 수준의 솔트-앤-페퍼(salt-and-pepper) 점무늬와 가우시안 입자감을 가하여 테스트를 진행했습니다. 평가는 단순히 노이즈가 얼마나 제거되었는가뿐만 아니라, 필터가 이미지의 구조를 얼마나 잘 보존하는지, 그리고 작업을 수행하는 데 얼마나 많은 컴퓨터 연산 능력을 요구하는지까지 엄격하게 측정했습니다.

새로운 필터의 핵심은 처리 중인 픽셀 주변의 작은 이웃 영역을 바라보는 영리한 방식에 있습니다. 단순히 색상을 평균 내거나 중간값을 선택하는 대신, 알고리즘은 해당 좁은 구역 내 픽셀들의 밝기를 정렬합니다. 그런 다음 이 픽셀들이 하나의 매끄러운 그룹을 형성하는지, 아니면 두 개의 뚜렷한 그룹으로 나뉘는지 확인합니다. 만약 픽셀들이 하나의 그룹을 형성한다면, 필터는 해당 영역이 매끄럽다고 가정하고 표준 중앙값을 사용하여 정화합니다. 만약 픽셀들이 두 개의 뚜렷한 그룹으로 나뉜다면, 알고리즘은 이를 에지(edge) 또는 서로 다른 물체 사이의 경계로 인식합니다. 이 경우, 알고리즘은 통계적 방법을 사용하여 픽셀을 두 개의 클러스터로 나누고 중앙 픽셀이 어느 그룹에 속하는지를 결정함으로써, 해당 픽셀이 배경의 일부인지 혹은 물체의 일부인지를 효과적으로 판단합니다. 이 결정은 퍼지(fuzzy) 계산과 결러되어, 가장자리를 흐리게 만드는 대신 경계를 존중하는 최종 값을 생성합니다.

연구 결과에 따르면, 이 새로운 접근 방식은 속도와 품질 사이에서 독특한 균형을 제공합니다. 혼합 노이즈가 포함된 테스트에서, 새 필터는 특히 선의 날카로움과 질감을 보존하는 데 있어 기존의 많은 전통적 방식들을 일관되게 능가했습니다. 가장 진보된 딥러닝 스타일의 필터들이 때때로 가장 높은 수치적 점수를 기록하기도 했지만, 이들은 종종 이미지를 부자연스럽게 매끄럽거나 '플라스틱'처럼 보이게 만들어 원본 장면의 자연스러운 입자감을 잃게 만들었습니다. 새로운 필터는 이러한 인위적인 느낌을 완전히 피했습니다. 이 필터는 노이즈를 제거하면서도 이미지가 자연스럽게 보이도록 유지했는데, 이는 다른 방법들로는 달성하기 어려운 품질입니다. 연구진은 이 필터가 임펄스 노이즈와 가우시안 노이즈의 조합을 처리하는 데 특히 효과적이었으며, 이는 많은 다른 필터들이 실패하거나 상당한 아티팩트(artifact)를 생성했던 시나리오였다고 언급했습니다.

그러나 이러한 성능에는 속도라는 트레이드오프(trade-off)가 따릅니다. 새로운 필터는 가장 단순한 중앙값 필터보다 현저히 느리며, 이미지를 처리하는 데 10배 이상의 시간이 더 걸립니다. 또한 효율적인 연산 능력으로 알려진 가우시안 및 위너(Wiener) 필터보다도 느립니다. 그럼에도 불구하고, 테스트된 방법 중 가장 느렸던 비국소 평균 필터보다는 훨씬 빠르며, 기본 중앙값 필터보다 약 30배 정도 더 오래 걸립니다. 저자는 모바일 기기에서의 라이브 비디오와 같이 속도가 매우 중요한 응용 분야에서는 여전히 더 단순한 필터들이 선호될 수 있다고 제안합니다. 하지만 X-선이나 초음파와 같은 의료 영상처럼 이미지 품질과 미세한 세부 사항의 보존이 최우선인 작업에서는, 새 필터가 매력적인 대안을 제공합니다. 이는 하드웨어 유도 노이즈를 제거하면서도 작은 병리적 병변을 놓치거나 중요한 윤곽을 흐리게 할 위험 없이, 최종 이미지가 현실의 신뢰할 수 있는 표현이 되도록 보장합니다.

연구는 이 적응형 접근 방식이 디지털 이미징을 오랫동안 괴롭혀온 문제인 혼합 노이즈에 대해 안정적이고 견고한 솔루션을 제공한다고 결론짓습니다. 통계적 클러스터링과 퍼지 로직을 결합함으로써, 이 필터는 이미지의 국소적 구조에 적응하여 영역을 매끄럽게 할지 아니면 에지를 날카롭게 할지를 즉석에서 결정합니다. 연구진은 자신들의 코드와 테스트 스크립트를 공개하여 다른 이들이 결과를 검증하고 이 연구를 발전시킬 수 있도록 했습니다. 복잡하고 불투명한 신경망이 지배하는 분야에서, 이 연구는 정교하게 설계된 수학적으로 투명한 알고리즘이 여전히 우아하고 신뢰할 수 있게 어려운 문제를 해결할 수 있음을 보여줍니다. 이 결과는 "세부 사항을 환각"하는 위험이 용납되지 않는 특정 고위험 응용 분야에서, 이러한 유형의 고전적 필터링이 여전히 유효할 뿐만 아니라 필수적임을 시사합니다.