확률적 Noise2Void를 이용한 자가 지도 현미경 이미지 복원

본 논문은 이미지 복원 분야에서 가장 널리 사용되는 CNN 기반 감독 학습 방법이 충분한 깨끗한 레이블 데이터를 필요로 한다는 한계를 지적한다. 현미경 영상처럼 실험 환경에서 동일한 샘플에 대한 다중 촬영이 어려운 경우, 기존의 Noise2Noise(N2N)이나 Noise2Void(N2V)와 같은 self‑supervised 기법이 대안이 되지만, 성능 면에서 감독 학습에 크게 뒤처진다. 이러한 문제를 해결하고자 저자들은 Probabilistic Noise2Void(PN2V)라는 새로운 프레임워크를 제안한다. PN2V는 N2V와 동일하게 “블라인드 스팟” 마스킹을 사용해 입력 패치에서 중심 픽셀을 제외한다. 그러나 N2V가 마스크된 패치를 입력받아 단일값을 예측하는 반면, PN2V는 동일한 입력으로부터 K개의 샘플을 출력한다. 이 샘플들은 픽셀의 사전분포 p(s_i | ˜x_RF(i);θ)를 근사한다. 사전분포는 확률밀도함수 대신 샘플 집합으로 표현되며, 이는 학습 과정에서 미분 가능성을 유지한다. 잡음 모델 p(x_i | s_i)는 데이터에 따라 임의의 형태를 가질 수 있다. 저자들은 깨끗한 이미지와 잡음 이미지 쌍을 이용해 2‑차원 히스토그램(신호값 × 잡음값)을 구축하고, 각 행을 정규화해 신호값에 대한 잡음 조건부 확률을 얻는다. 연속성을 위해 y축(신호) 방향으로 선형 보간을 적용해 미분 가능한 형태로 변환한다. 학습 목표는 관측우도 p(x_i | ˜x_RF(i);θ)를 최대화하는 것이다. 구체적으로는 손실 L(θ)=−∑_i log(1/K ∑_k p(x_i | s_k^i)) 를 최소화한다. 여기서 s_k^i는 CNN이 출력한 K개의 샘플이며, p(x_i | s_k^i)는 앞서 정의한 잡음 모델을 이용해 계산한다. 이 손실은 샘플 평균을 로그에 취함으로써 전체 관측값에 대한 확률을 근사하고, GPU 상에서 효율적인 병렬 연산이 가능하도록 설계되었다. 추론 단계에서는 사후분포 p(s_i | x_RF(i))∝p(s_i | ˜x_RF(i);θ)p(x_i | s_i)를 이용한다. MMSE 추정값은 사후분포의 평균으로, 각 샘플에 대한 잡음우도 가중치를 곱해 가중 평균을 구함으로써 얻어진다. 즉, ŝ_MMSE_i≈∑_k w_k s_k^i, w_k∝p(x_i | s_k^i) 로 계산한다. 이는 기존 N2V가 제공하는 단일 추정값보다 더 풍부한 불확실성 정보를 제공한다. 실험에서는 Zhang et al.