볼츠만 머신과 디노이징 오토인코더를 이용한 이미지 복원

본 논문은 이미지 복원 분야에서 “패치‑단위 확률 모델”이라는 접근법을 재조명하고, 최근 각광받는 딥러닝 기반 방법인 디노이징 오토인코더(DAE)와 전통적인 제한 볼츠만 머신(Gaussian‑Bernoulli RBM, GRBM) 및 심층 볼츠만 머신(Gaussian‑Bernoulli DBM, GDBM)의 성능을 체계적으로 비교한다. 서론에서는 이미지 복원을 위해 로컬 통계와 희소 코딩, ICA, K‑SVD 등 다양한 방법이 사용되어 왔으며, 이러한 방법들은 주로 단일 은닉층을 갖는 확률 모델에 기반한다는 점을 지적한다. 이어서 Burger et al.와 Xie et al.가 제안한 깊은 디노이징 오토인코더가 기존 최첨단 기법과 동등하거나 우수한 성능을 보였다는 최근 연구 동향을 소개한다. 본 연구는 두 가지 딥러닝 패러다임을 동일한 실험 환경에서 평가한다. 첫 번째는 GRBM으로, 가우시안 가시층과 이진 은닉층을 갖으며 은닉층에 대한 사후분포를 정확히 계산할 수 있다. 이를 통해 조건부 평균  E