반복되는 구조 검색
인코더는 이미지를 범위 블록으로 분할하고, 기하학적 및 톤 변환 후 이와 유사한 도메인 블록을 검색합니다. 변환 목록은 고정점이 원본 이미지를 근사하는 연산자를 정의합니다.
인코더는 이미지를 작은 범위 블록으로 분할하고, 회전, 대칭 반사, 밝기 및 대비 조정 후 유사해지는 더 큰 영역 블록을 검색합니다. 픽셀 대신 변환 매개변수를 저장합니다. 높은 일치도를 얻으려면 반복적인 국소 구조가 필요합니다. 검색 범위가 조합적으로 방대하기 때문에, 후보를 분류하고 범위를 제한하는 과정이 인코딩 비용의 상당 부분을 결정합니다.
비대칭 비용
디코딩은 저장된 변환을 반복적으로 적용하며, 다양한 임의의 이미지에서 시작할 수 있습니다. 인코딩은 블록 간의 관계에 대한 검색 범위가 넓기 때문에 계산 비용이 많이 듭니다. 따라서 해당 검색을 가속화하고 제한하는 것이 실용적인 시스템의 핵심입니다.
디코딩은 임의의 시작 이미지에 모든 변환을 반복적으로 적용합니다. 결합된 연산자가 수축적이어야 하므로, 이 순서는 고정점에 수렴합니다. 이는 비대칭적인 계산 비용을 설명해 줍니다. 즉, 인코딩 단계에서는 관계 검색에 많은 비용이 소요되는 반면, 디코딩 단계에서는 비교적 간단한 반복 연산만 이루어집니다. 조건이 좋지 않거나 지나치게 공격적인 매핑은 수렴성과 이미지 품질을 저하시킬 수 있습니다.
확대 기능에 대한 약속과 실질적인 절충점
변환은 연속적인 매핑을 정의하기 때문에, 디코딩된 이미지는 원래의 격자 범위를 넘어 평가될 수 있지만, 누락된 사진적 진실은 복원되지 않습니다. 현대의 범용 코덱은 일반적으로 속도, 품질 및 지원 면에서 더 나은 균형을 제공하므로, 프랙탈 압축은 역사적으로 중요하면서도 특화된 기술로 남아 있습니다.
변환을 지속적으로 평가할 수 있어 디코더가 더 큰 래스터를 생성할 수 있습니다. 원본에서 추가적인 사진적 정보는 복원되지 않으며, 모델의 자기상사성 가정이 정교화됩니다. 최신 코덱은 일반적으로 블록 변환, 예측 및 학습된 도구를 통해 속도와 품질의 균형을 더 잘 맞춥니다. 프랙탈 압축은 개념적으로 여전히 중요하지만, 무손실 무한 확대를 위한 보편적인 방법은 아닙니다.
출처 및 추가 참고 자료
이 기사는 다음의 전문 출처들을 원문 그대로 요약한 것입니다. 12 8월 2026에 접속하여 편집 검토를 마쳤습니다.
- Fractal Image CompressionNotices of the American Mathematical Society
- Iterated Function SystemWolfram MathWorld
