확산 기반 사후 샘플러를 이용한 스펙트럼 변동성 모델링 하이퍼스펙트럼 언믹싱

초록

본 논문은 사전 학습된 조건부 스펙트럼 확산 모델을 사후 분포 샘플러로 활용하여, 초픽셀 기반 엔드멤버 번들을 이용한 이미지‑레벨 스펙트럼 사전과 초픽셀 수준 데이터 일관성 제약을 결합한 반반감형 언믹싱 프레임워크인 DPS4Un을 제안한다. 초픽셀마다 가우시안 노이즈로 초기화된 엔드멤버를 반복적으로 업데이트함으로써 스펙트럼 변동성을 효과적으로 모델링하고, 실험에서 최신 방법들을 능가함을 보였다.

상세 분석

DPS4Un은 기존 반반감형 언믹싱이 직면한 두 가지 핵심 난제, 즉 ‘스펙트럼 사전 분포의 정확한 모델링’과 ‘스펙트럼 변동성의 정량적 표현’에 대한 새로운 해법을 제시한다. 첫 번째로, 저자들은 대규모 외부 스펙트럼 라이브러리 대신 이미지 자체에서 추출한 초픽셀 기반 엔드멤버 번들을 사전 학습 데이터로 사용한다. SLIC 알고리즘으로 생성된 초픽셀은 공간적 동질성을 보장하고, 각 초픽셀 내에서 VCA를 적용해 K개의 후보 엔드멤버를 추출한다. 이렇게 얻어진 P=K·L개의 스펙트럼은 K‑means 클러스터링을 통해 카테고리 라벨(c)을 부여하고, 조건부 확산 모델의 입력 (스펙트럼, 라벨) 쌍으로 활용한다. 조건부 확산 모델은 시간‑조건화된 스코어 네트워크 sθ(A_t, t, c)를 학습해 ∇_A_t log p(A_t|c) 를 근사한다.

두 번째로, 사후 샘플링 단계에서는 각 초픽셀 영역을 독립적인 가우시안 노이즈(A_T∼N(0,I)) 로 초기화한다. 이는 전역적인 단일 엔드멤버 초기화가 초픽셀 간 변동성을 무시하는 문제를 해결한다. 이후 DDIM‑유사한 역확산 과정을 통해 A_t 를 점진적으로 정제하면서, 관측 데이터 X와 현재 추정된 엔드멤버 Â_0, 풍부도 Ŝ_0 사이의 지역 기반 데이터 일관성 항 ∇_A_t log p(X|Â_0,Ŝ_0,c) 를 스코어에 추가한다. 이 항은 Tweedie 공식에 기반한 근사식으로 구현되어, 복잡한 전방 모델 없이도 관측과 사전 사이의 결합을 가능하게 한다.

알고리즘은 다음과 같이 순환한다. (1) 현재 Â_t 로부터 조건부 스코어 sθ를 얻어 역확산 업데이트; (2) 업데이트된 Â_t 를 이용해 투영 경사 하강법으로 풍부도 Ŝ 를 최적화 (비음성 및 합계 제약 포함); (3) 새롭게 얻은 (Â,Ŝ) 를 다시 사후 샘플링에 투입한다. 이 반복은 엔드멤버와 풍부도가 동시에 수렴하도록 설계돼, 변동성을 반영한 엔드멤버 집합과 정밀한 풍부도 추정이 동시에 달성된다.

실험에서는 세 개의 공개 하이퍼스펙트럼 데이터셋 (Jasper Ridge, Samson, Urban) 에 대해 RMSE, SAD, aRMSE 등 정량적 지표와 시각적 결과를 비교하였다. DPS4Un은 기존 베이지안 사전 기반 방법(Iordache et al., 2012), 엔드멤버 번들 기반 GAN (Shi et al., 2022a), 그리고 최근 확산 기반 무조건 모델(Deng et al., 2024) 대비 평균 5‑12% 향상을 기록했다. 특히 스펙트럼 변동성이 큰 Urban 데이터에서 변동성을 효과적으로 포착해, 기존 방법이 과소 추정하던 풍부도 분포를 정확히 복원하였다.

이 논문의 주요 기여는 (i) 조건부 확산 모델을 사전 학습 사전으로 활용해 스펙트럼 사전 분포를 데이터‑드리븐 방식으로 학습, (ii) 초픽셀 기반 지역 초기화와 데이터 일관성 제약을 통해 스펙트럼 변동성을 자연스럽게 모델링, (iii) 엔드멤버와 풍부도를 동시에 샘플링·최적화하는 통합 베이지안 프레임워크를 제시한 점이다. 이러한 설계는 확산 모델이 고차원 연속 스펙트럼 공간에서도 효율적인 사후 추론 도구가 될 수 있음을 실증한다.