향상된 합성 기반 오디오 디클리핑 알고리즘

본 논문은 오디오 신호가 클리핑으로 인해 손상될 때, 희소성 기반 모델을 이용해 원본 신호를 복원하는 디클리핑 문제를 다룬다. 기존 연구에서는 분석 모델을 기반으로 한 A‑SPADE와 합성 모델을 기반으로 한 S‑SPADE가 제안되었으며, 특히 SPADE 알고리즘이 현재 가장 높은 성능을 보인다. 그러나 저자들은 이전 연구(LVA/ICA 2018)에서 S‑SPADE가 수렴 속도는 빠르지만 복원 품질이 A‑SPADE에 비해 현저히 낮다는 점을 확인하였다. 이를 해결하고자 저자들은 먼저 기존 S‑SPADE가 실제로는 문제식 (6b)를 정확히 풀지 못하고, 비정규화된 사전행렬 D에 대한 부정확한 투영을 수행한다는 점을 지적한다. 이러한 구조적 결함을 보완하기 위해 문제 정의를 (9) 형태로 재구성하고, 라그랑지안 (10)–(11)을 도입해 ADMM 프레임워크를 재설계한다. 핵심은 다음과 같다. 1. **문제 재정의**: 원본 신호 x와 합성 계수 z에 대해 제약조건 D z = x와 희소성 제약 ‖z‖₀ ≤ k를 동시에 만족하도록 설정한다. 2. **ADMM 단계**: 스케일드 듀얼 변수 u를 도입해 세 개의 업데이트 식 (12a)‑(12c)를 도출한다. - (12a)에서는 현재 추정된 신호 x와 듀얼 변수 u를 이용해 z를 업데이트한다. 이때 하드‑스레시홀딩 연산 H_k 를 적용해 희소성을 강제한다. - (12b)에서는 D z와 현재 신호 추정값을 비교해 투영을 수행한다. D가 직교가 아니므로 정확한 투영이 아니라 원소별 클리핑 연산을 사용해 근사한다. - (12c)에서는 듀얼 변수를 갱신한다. 3. **희소성 완화**: 초기 k를 작게 시작해 일정 반복마다 s만큼 증가시켜 점진적으로 더 많은 계수를 허용한다. 이는 수렴을 가속화한다. 4. **종료 기준**: ǫ = 0으로 설정해 실제 반복 횟수를 제한한다. 제안된 알고리즘은 Alg. 3에 명시되어 있으며, 기존 S‑SPADE(O)와 달리 주파수 영역에서 복잡한 투영을 요구하지 않는다. 따라서 구현이 간단하고, 계산 복잡도는 분석 모델과 동일하게 유지된다. 실험은 5개의 서로 다른 오디오 파일(16 kHz)과 9가지 클리핑 임계값(θ_c = 0.1~0.9)을 사용해 수행되었다. 전처리로는 피크 정규화와 Hann 윈도우(1024 샘플, 75 % 오버랩)를 적용했으며, 오버샘플링된 DFT를 변환기로 사용했다. 모든 알고리즘의 파라미터는 r = 1, s = 1, ǫ = 0으로 동일하게 설정하였다. 복원 품질 평가는 ΔSDR(클리핑 전후 SDR 차이)로 측정하였다. 결과는 다음과 같다. - **중복도 1(정규 경우)**: 세 알고리즘 모두 비슷한 ΔSDR을 보이며, 차이가 거의 없다. - **중복도 2·4(오버샘플링 DFT)**: 제안된 S‑SPADE_DP가 기존 S‑SPADE_O보다 현저히 높은 ΔSDR을 달성한다. 특히 낮은 θ_c(심한 클리핑)에서 차이가 크게 나타난다. - **스캐터 플롯**: 대부분의 블록이 S‑SPADE_DP가 S‑SPADE_O보다 높은 SDR을 기록했으며, A‑SPADE와 비교했을 때도 비슷하거나 약간 우수한 결과를 보였다. - **수렴 속도**: 반복 횟수 대비 ΔSDR 곡선을 보면, S‑SPADE_DP가 A‑SPADE보다 더 빠르게 목표 ΔSDR에 도달한다. 이는 (12b) 단계의 효율적인 시간 영역 투영과 k 증가 전략이 결합된 결과이다. 결론적으로, 저자들은 합성 기반 디클리핑 모델을 정확히 구현한 새로운 S‑SPADE 알고리즘을 제시했으며, 이는 복원 품질과 수렴 속도 두 측면에서 기존 분석 기반 A‑SPADE와 동등하거나 더 나은 성능을 보인다. 또한 구현 복잡도가 크게 증가하지 않아 실용적인 적용 가능성이 높다. 향후 연구에서는 비정규 사전행렬에 대한 보다 정확한 투영 방법이나, 실시간 처리에 대한 최적화가 기대된다.