푸리에 슬라이스 정리를 이용한 차별가능 과학 영상 모델링

** 본 논문은 광학·전자 현미경·CT 등 다양한 과학 영상 기술에서 2차원 관측을 통해 3차원 구조를 복원하는 문제를 다룬다. 전통적인 방법은 투영 연산을 푸리에 공간에서 수행해 계산 효율을 높였지만, 그 과정이 미분 가능하지 않아 딥러닝 기반의 gradient‑based 최적화에 적용하기 어려웠다. 저자들은 이 문제를 해결하기 위해 두 단계의 접근법을 제시한다. 첫 번째 단계는 위치 공간에서의 차별가능 샘플링이다. 회전 R_r와 평행 이동 T_t를 voxel grid에 직접 적용하고, 선형 보간 커널을 이용해 변환된 voxel 값을 계산한다. 이때 각 변환된 voxel은 원본 voxel들의 가중합으로 표현되며, 가중치는 보간 커널에 의해 결정된다. 미분은 각 voxel에 대한 가중합 형태로 쉽게 구할 수 있다. 그러나 이 방식은 모든 voxel에 대해 보간을 수행해야 하므로 O(D³) 연산 복잡도를 갖고, 대규모 데이터셋에 적용하기엔 비효율적이다. 두 번째 단계에서는 푸리에 슬라이스 정리를 활용해 연산을 푸리에 도메인으로 옮긴다. 푸리에 변환은 회전에 대해 불변(equivariant)하므로, 회전 연산은 푸리에 공간에서도 동일하게 적용된다. 평행 이동은 위상 인자 e^{-i2πt·ω} 로 표현되어, 복잡한 보간 없이 간단히 곱셈으로 처리된다. 투영 연산은 푸리에 공간에서 중앙 슬라이스를 추출하는 연산 S₂ 로 대체되며, 이는 O(D²) 비용으로 수행된다. 또한 투영과 평행 이동을 교환(P T_t R_r = T_τ P R_r)함으로써 2차원 평행 이동만 남겨 계산량을 더욱 감소시킨다. 최종적으로 전체 파이프라인은 (1) 3D 구조를 푸리에 공간에 저장, (2) 회전·위상 인자를 적용, (3) 중앙 슬라이스를 추출, (4) 역푸리에 변환을 통해 관측 이미지의 푸리에 표현을 얻는 흐름으로 구성된다. 확률적 모델링 측면에서는 구조 v와 포즈 p를 잠재 변수로 두고, 관측 x는 가우시안 노이즈를 가정한 p(x|p,v) 로 정의한다. 변분 베이지안 접근법을 도입해 잠재 변수의 근사 사후분포 q(p,v|x) 를 학습한다. 재파라미터화 기법을 사용해 q의 파라미터를 신경망으로 표현하고, 전체 모델을 end‑to‑end 로 학습한다. 이 과정에서 푸리에 도메인 투영 연산이 차별가능하게 구현되었기 때문에, 구조와 포즈 모두에 대한 gradient 를 직접 계산할 수 있다. 실험은 단일 입자 전자 저온 현미경(cryo‑EM) 데이터를 이용해 수행된다. GroEL‑GroES와 같은 단백질을 대상으로, 제안된 방법이 기존 MAP 기반 방법보다 적은 데이터로도 높은 재구성 정확도를 달성함을 보였다. 특히 구조에 대칭성이 존재할 경우 포즈 추정이 지역 최적점에 빠지기 쉬운데, 변분 추론이 제공하는 불확실성 정보가 이러한 문제를 완화한다. 또한 학습된 불확실성을 이용해 기존의 데이터 효율이 낮은 평가 지표(예: FSC)를 대체함으로써, 동일 데이터 양에서 더 정밀한 구조 평가가 가능함을 실증한다. 결론적으로, 이 논문은 (1) 푸리에 슬라이스 정리를 이용한 차별가능 투영 연산, (2) 변분 베이지안 프레임워크를 통한 구조·포즈 공동 추정, (3) 불확실성 기반 평가 및 데이터 효율성 향상이라는 세 가지 핵심 기여를 통해 과학 영상 재구성 분야에 딥러닝 기반 최적화를 적용할 수 있는 실용적인 방법론을 제공한다. **