스파크 훈련 없는 비지도 세그멘테이션을 위한 확률적 전파와 친화도 기반 랜덤워크

초록

본 논문은 기존의 확산 모델 기반 훈련‑무료 세그멘테이션이 갖는 스펙트럴 그래프 분할의 한계를 지적하고, 전역 확산 친화도와 지역 이웃 정보를 결합한 희소 전이 행렬 위에서 마코프 랜덤워크와 확장‑팽창‑프루닝 과정을 반복하는 스토캐스틱 플로우 방식을 제안한다. 실험 결과, 제안 방법은 경계 정확도와 영역 일관성에서 기존 방법들을 크게 앞서며, 사전 클러스터 수 지정 없이도 안정적인 마스크를 생성한다.

상세 분석

본 연구는 훈련‑무료 이미지 세그멘테이션을 “스펙트럴 그래프 파티셔닝”에서 “스토캐스틱 플로우 평형” 문제로 재정의한다는 점에서 혁신적이다. 기존 방법들은 확산 모델의 셀프‑어텐션을 직접 친화도 행렬로 사용하고, 라플라시안의 고유벡터를 통해 전역적인 클러스터링을 수행한다. 그러나 고유벡터는 작은 노이즈에도 민감하고, 스펙트럴 릴랙스는 저주파 모드에 편향돼 경계가 과도하게 부드러워지는 문제가 있다. 또한, 사전 클러스터 수를 지정해야 하는 제약은 실제 이미지에서 객체 수가 가변적인 상황에 부적합하다.

S​PARK은 이러한 문제점을 두 가지 축으로 해결한다. 첫째, 전역 확산 친화도(A_global)를 Stable Diffusion U‑Net의 마지막 레이어 피처 내적으로 정의하고, 동시에 8‑연결 이웃을 기반으로 한 지역 친화도(A_local)를 코사인 유사도로 구성한다. 두 행렬을 행 정규화 후 가중치 β 로 선형 결합해 전이 행렬 S 를 만든다. 이때 β 를 조정함으로써 전역 의미적 연결과 지역 공간적 연속성을 동적으로 균형 맞출 수 있다.

둘째, S 에 대해 마코프 클러스터링(Markov Clustering)에서 영감을 얻은 확장‑팽창‑프루닝‑정규화(Expansion‑Inflation‑Pruning‑RowNorm) 반복을 적용한다. 확장은 ℓ 단계의 행렬 거듭제곱(P^ℓ)으로 다중 홉 연결을 강화하고, 팽창은 원소별 거듭제곱(r>1)으로 강한 전이를 강조한다. 프루닝은 임계값 τ 이하의 전이 확률을 0 으로 만들어 희소성을 부여하고, 정규화는 마코프 체인의 확률적 성질을 유지한다. 이러한 반복은 행렬을 거의 블록 대각 형태로 수렴시키며, 각 블록은 내부 전이가 강하고 외부 전이가 약한 “플로우 보존” 클러스터를 의미한다.

클러스터가 추출된 뒤에는 각 클러스터를 시드로 삼아 전통적인 랜덤 워크 라벨 전파를 수행한다. 초기 시드 행렬 Q₀ 를 S 와 혼합해 (1‑γ)Q₀ + γSQₜ 형태로 업데이트하면, γ 로 전파 강도를 조절하면서도 시드 일관성을 유지한다. 최종 수렴 행렬 Q* 에서 가장 큰 확률을 갖는 클래스를 픽셀 레이블로 할당한다.

핵심 인사이트는 (1) 전역 의미 정보를 유지하면서도 지역 구조를 명시적으로 모델링함으로써 경계 과도 평활화를 방지하고, (2) 고유벡터 대신 마코프 플로우의 동적 수렴을 이용해 클러스터 수를 자동 결정한다는 점이다. 또한, 프루닝 단계가 불확실한 전이를 사전에 차단해 노이즈에 강인한 마스크를 만든다. 실험에서는 Pascal VOC, Pascal Context, COCO‑Object, COCO‑Stuff‑27, Cityscapes, ADE20K 등 7개 데이터셋에서 mIoU 기준 기존 확산 기반 스펙트럴 방법들을 2‑5%p 상회했으며, 특히 경계 F‑score와 마스크 안정성 지표에서 현저히 우수함을 보였다.

이러한 설계는 훈련‑무료 세그멘테이션이 실제 응용에서 요구하는 “빠른 배포·다양한 도메인 적응·경계 정밀도”를 만족시키는 실용적인 솔루션을 제공한다.