플러그인앤플레이 확산 사전의 불확실성 정량화 벤치마크

초록

본 논문은 플러그인‑앤‑플레이 확산 사전(PnPDP) 기반 역문제 해결기법들의 불확실성 정량화(UQ) 능력을 체계적으로 평가한다. toy 시뮬레이션과 실제 과학·공학 역문제에 대한 실험을 통해 기존 방법들을 “후방‑목표형”, “휴리스틱형”, “MAP‑유사형” 세 가지 카테고리로 재분류하고, 픽셀‑레벨 분산을 이용한 정량적 지표를 제시한다.

상세 분석

이 연구는 현재 PnPDP 솔버들이 재구성 정확도(PSNR, SSIM)만을 기준으로 평가되는 한계를 지적하고, 역문제의 본질이 ‘사후분포’를 추정하는 것임을 강조한다. 저자들은 먼저 확산 모델을 사전 확률로 활용하는 PnPDP 프레임워크를 정리하고, 측정 연산자 A와 노이즈 ε에 의해 정의되는 관측식 y=Ax+ε를 기반으로 문제를 공식화한다. 이후 불확실성을 ‘에피스테믹(EU)’과 ‘알레아토릭(AU)’으로 구분하고, EU는 측정 정보의 부족, AU는 측정 노이즈에 기인함을 설명한다.

핵심 기여는 두 가지이다. 첫째, ‘후방‑목표형’, ‘휴리스틱형’, ‘MAP‑유사형’이라는 새로운 UQ‑기반 분류 체계를 제안한다. 후방‑목표형(MCG‑Diff, FPS‑SMC, PnP‑DM 등)은 베이지안 사후분포에 수렴하도록 설계돼 이론적 수렴 보장을 갖는다. 휴리스틱형(DPS, DAPS 등)은 측정 일관성을 위한 휴리스틱 가이던스와 확산 과정의 노이즈 주입으로 변동성을 만든다. MAP‑유사형(DDRM, DiffPIR 등)은 최적화 기반으로 단일 혹은 소수의 모드에 수렴한다.

둘째, 실험적 평가 지표로 ‘픽셀‑별 경험적 분산’ V ar(j)=1/(K‑1)∑ₖ‖x^{(k)}(j)−\bar{x}(j)‖²를 도입한다. K번 독립 실행을 통해 얻은 샘플 집합의 분산을 사후분포의 불확실성 근사치로 사용한다. 이를 통해 AU의 캘리브레이션(완전 관측 A=I 상황)과 EU가 지배적인 상황(저차원 A)에서 각 방법의 불확실성 구조를 정량적으로 비교한다.

toy 실험에서는 사전이 완벽히 학습된 경우 후방‑목표형이 실제 사후분산과 가장 높은 상관을 보였으며, 휴리스틱형은 과대/과소 추정이 혼재하고, MAP‑유사형은 분산이 거의 0에 가까워 불확실성 정보를 제공하지 못함을 확인했다. 실제 과학 데이터(CT, MRI, 천문 이미지 등)에서도 동일한 패턴이 재현돼, 기존 정확도 중심 벤치마크와는 별개로 불확실성 정량화가 모델 선택에 중요한 기준이 됨을 실증했다.

이러한 결과는 PnPDP 솔버를 실제 위험 민감 응용에 적용할 때, 단순 PSNR이 아닌 사후분포의 캘리브레이션과 불확실성 표현 능력을 고려해야 함을 시사한다. 또한, 제안된 UQ‑기반 분류와 분산 지표는 향후 새로운 PnPDP 알고리즘 개발 및 평가에 표준화된 프레임워크를 제공한다.