적응형 도메인 이동을 통한 확산 기반 교차 모달 이미지 변환

초록

**
본 논문은 기존 확산 모델이 전역적인 선형 도메인 전이를 사용하면서 발생하는 고비용 오프‑맨리프 경로와 의미적 드리프트 문제를 해결한다. 저자는 역방향 확산 과정에 공간‑및 채널‑별 혼합 필드 Λₜ를 예측하고, 이를 통해 목표 도메인에 일관된 복원 항을 주입함으로써 큰 업데이트를 온‑맨리프 상에서 수행하도록 설계하였다. 연속시간 해석과 1차 샘플러를 도입해 이론적 일관성을 유지하면서도 의료 영상·위성 영상·전광학 매핑 등 다양한 교차 모달 변환에서 구조적·의미적 정확도를 높이고 샘플링 단계 수를 크게 감소시켰다.

**

상세 분석

**
이 논문은 교차‑모달 이미지 변환에서 “고정‑스케줄 도메인 전이”라는 근본적인 병목 현상을 정의한다. 기존 확산 기반 방법은 시간에 따라 선형적으로 ηₜ= t/T 로 소스와 타깃을 혼합하는데, 이는 잠재 공간에서 두 도메인의 매니폴드 사이에 존재하는 고에너지 영역을 그대로 통과하게 만든다. 결과적으로 역방향 SDE가 오프‑맨리프 영역을 거치면서 높은 교정 비용을 요구하고, 특히 텍스처·강도·구조가 크게 다른 의료·SAR·전광학 데이터에서 의미적 드리프트가 발생한다.

저자는 이를 해결하기 위해 두 가지 핵심 아이디어를 제시한다. 첫째, 매 역방향 시간 단계 t에서 공간‑채널 별 혼합 필드 Λₜ∈(0,1)^{C×H×W} 를 신경망 S_θ가 예측하도록 설계한다. Λₜ는 소스 이미지 ˆx_src와 타깃 이미지 x₀ 사이의 가중합 dₜ = Λₜ⊙ˆx_src + (1−Λₜ)⊙x₀ 를 만든다. 여기서 Λₜ는 위치 인코딩 π(p)와 기본 선형 스케줄 λ_linₜ를 입력받아 비선형 변조 hₜ,c(p)를 생성하고, 로지스틱 함수를 통해 최종값을 제한한다. 이 과정은 시작·종료 조건 Λ₀=0, Λ_T=1을 보장하면서 중간 단계에서는 픽셀‑별 최적 혼합을 자유롭게 학습하게 만든다.

둘째, 이러한 혼합을 확산 과정의 전방 마진 q(xₜ|x₀,ˆx_src) 에 직접 삽입한다. 전방 노이즈는 기존 αₜ 스케줄을 유지하되 평균을 √{ᾱₜ}·dₜ 로 이동시킨다. 역방향 SDE는 기존 스코어 함수 s_θ(xₜ,t) 에 더해 “복원 드리프트” term = (Λₜ−Λₜ₋₁)⊙(ˆx_src−x₀) 를 포함한다. 이 항은 매 단계마다 현재 위치에서 목표 도메인으로의 최적 경로를 제공하므로, 큰 시간 스텝을 사용하더라도 업데이트가 매니폴드 상에서 진행된다.

이론적으로 저자는 경로 에너지 함수 E