저수준 영상처리를 위한 순환적 순방향 및 역방향 모델

Abstract

솔루션이 없거나 유일하지 않거나 데이터에 대해서 연속적인 문제를 `잘 정의되지 않는 문제(ill-posed problem)' 이라고 한다. 이런 관점에서 컴퓨터 비전 혹은 인간의 시각적 인식 과정에서 에지 검출 및 위치추정, 거리정보 추정, 스테레오 매칭, 회전 변화와 무관하게 3D 물체 인식등은 `잘 정의되지 않는 문제'라고 할 수 있다. 이러한 문제들은 또한 `역문제(inverse problem)'이다. 그 이유는 현상이 되는 시각적 입력이 주어진 상태에서 원인이 되는 실세계에 대해서 추론하는 문제이기 때문이다. 그러므로 대부분의 비전 문제 그리고 인간의 시각적 인식 문제는 `잘 정의 되지않으면서 역방향 문제(ill-posed inverse problem)'이다.

아마도 인간은 다양한 비전 처리에서 가장 빠르고 정확한 시각 시스템을 소유하고 있다. 반면에 컴퓨터 비전 시스템은 실용적이고 이론적인 측면에서 좀 더 근본적인 발전이 요구되고 있다. 수치해석분야에서 `잘 정의 되지않으면서 역방향 문제'를 해결하기 위한 전통적 방법은 목적함수에 몇몇 제약조건을 두고 이러한 목적 함수를 가장 최소화하는 최적의 솔루션을 찾는것이다. 또한 몇몇 연구들은 베이지안 확률 이론의 사전지식(prior knowledge)이 시각적 인식 과정을 조정한다고 주장하였다. 사실 인간의 시각시스템은 객관적 사실 뿐만 아니라 어떤한 주관적 믿음을 통해서 불일치 하고 불완전한 시각정보들을 처리한다. 앞선 두 가지 이론의 공통된 사상은 가정, 사전지식 혹은 제약조건등이 풀기 어려운 문제들을 해결이 가능하도록 만든다는 것이다.

최근의 많은 컴퓨터 비전 연구들은 이러한 유용한 가정들을 찾는데 집중해 왔고 위의 수학적 기술들을 이용하여 상당한 성과를 거두워 왔다. 하지만 인간이 할 수 있을 정도의 실세계에 대한 완전한 인식은 아직까지 불가능하게만 보이고 따라서 이러한 컴퓨터 비전연구들의 단점을 극복하기 위해서 인간의 시각시스템에 대한 더 많은 연구가 요구되어지고 있다. 본 논문은 이러한 관점에서 인간이 시각정보 처리를 위해서 어떠한 종류의 사전지식을 사용하고 있는지를 조사하고 여러가지 비전 문제를 풀기위해 이러한 사전정보를 제공할 수 있는 일반적 모델을 제안하고자 한다.

대부분의 비전 알고리즘은 일련의 함수 집합을 순방향(feed-forward)으로 연결하여 문제를 해결한다. 예를 들어 물체 인식을 할 때는 이미지 향상이나 복원 과정등의 전처리를 수행하고 이 정보를 영상 분할 과정의 입력으로 사용한다. 이 후 분할된 영역별로 특징 추출과정을 수행하고 추출된 특징은 학습된 물체 특징들과 차례로 비교된다. 하지만 인간은 수백만년의 진화과정을 통해 저수준 혹은 고수준의 비전 처리를 효율적으로 하기 위하여 이와는 다른 메카니즘을 사용하게 되었다.

여러가지 생리학적 신경생리학적 연구에 기반하여 본 논문에서는 대뇌 피질에서의 기본적 메카니즘은 순방향(feed-forward)과 역방향(feedback) 정보교환을 통합하는 순환적인 처리과정이라는 가설을 설정하고 이를 위한 순환적 순방향 및 영방향 모델을 제안하였다. 이러한 가설을 검증하기 위하여 제안한 모델을 에지의 방향추정, 스테레오 매칭, Kinect 거리정보 개선등 세 가지 저수준 영상처리에 적용하여 보았다. 그리고 그 결과는 제안하는 모델의 효율성을 입증하였다.