스플릿 스킵 플레이 변분 감소 프로크스킵을 이용한 초고속 토모그래피 복원

초록

본 논문은 토모그래피 복원에서 데이터 적합 항의 비용과 정규화 항의 비용을 동시에 낮추기 위해, 프로크스킵(ProxSkip) 기법과 변분 감소(VR) 기법을 결합한 ProxSkip‑VR 알고리즘을 제안한다. 실험 결과, 기존 비스킵 방법에 비해 5배에서 20배 이상의 속도 향상을 달성했으며, 특히 TV 정규화와 플러그‑인‑플레이(BM3D) 설정 모두에서 높은 재구성 품질을 유지한다.

상세 분석

본 연구는 대규모 토모그래피 문제에서 두 가지 주요 연산 비용, 즉 전방·역방향 투영 연산과 정규화 항에 대한 프로시멀 연산을 동시에 경감시키는 새로운 최적화 프레임워크를 제시한다. 기존 ISTA/FISTA와 같은 전통적 복합 최적화 방법은 매 반복마다 전체 데이터에 대한 그래디언트와 정규화 항에 대한 프로시멀 연산을 수행해야 하므로, 특히 3D·고해상도 데이터에서는 연산량이 급증한다. 이를 해결하기 위해 저자는 먼저 ProxSkip 알고리즘을 도입한다. ProxSkip은 정규화 항의 프로시멀 연산을 확률 p 로 스킵하고, 스킵된 경우에는 제어 변량(h) 를 이용해 업데이트를 보정한다. 이때 p 가 작을수록 프로시멀 연산이 적게 발생하지만, 지나치게 작으면 수렴 속도가 저하될 위험이 있다.

다음으로 데이터 적합 항을 블록(서브셋)으로 분할하고, 각 서브셋에 대해 스토캐스틱 그래디언트를 계산한다. 여기서 변분 감소(VR) 기법—SA‑G A, SVRG, Loopless SVRG 등—을 적용해 그래디언트의 분산을 효과적으로 억제한다. 특히 SVRG는 주기적으로 전체 데이터에 대한 정확한 그래디언트를 저장하고, 현재 서브셋 그래디언트와 차이를 보정함으로써 높은 정확도를 유지한다. 저자는 이러한 VR 기법과 ProxSkip을 결합한 ProxSkip‑VR 알고리즘군(ProxSAGASkip, ProxSVRGSkip, ProxLSVRGSkip)을 설계하고, 알고리즘 1에 통합하였다.

실험 설계는 두 가지 시나리오로 나뉜다. 첫 번째는 실제 화학 이미지 데이터에 TV 정규화를 적용한 경우이며, 두 번째는 시뮬레이션된 포어스톤 데이터에 플러그‑인‑플레이(BM3D) 디노이저를 적용한 경우이다. 각 실험에서 p 값(0.010.5)과 서브셋 수 N(10400)을 다양하게 조절하여 연산 시간 대비 재구성 오차를 측정하였다. 결과는 다음과 같다. (1) ProxSkip‑VR은 동일한 p 에서 비스킵 버전보다 평균 1.6배~2.3배 빠른 수렴을 보였으며, 특히 p=0.05, N=100 조합에서 전체 실행 시간이 5배 이상 단축되었다. (2) 서브셋 수 N을 크게 늘릴수록 개별 그래디언트 연산은 빨라지지만 분산이 커져 데이터 패스당 수렴 속도가 떨어지는 현상이 관찰되었다. 따라서 최적의 N 은 비용과 분산 사이의 트레이드오프를 고려해 선택해야 함을 시사한다. (3) BM3D 디노이저를 사용한 PnP 실험에서도 ProxSkip‑VR이 3분 제한 시간 내에 비스킵 대비 약 2배 높은 PSNR/SSIM을 달성하였다.

이러한 결과는 토모그래피와 같은 고비용 역문제에서 프로시멀 연산과 그래디언트 연산을 독립적으로 제어함으로써 전체 연산량을 크게 감소시킬 수 있음을 입증한다. 또한, ProxSkip‑VR은 강한 볼록성 가정 없이도 수렴을 보장하므로, 실제 의료·산업 현장에서 흔히 마주하는 비선형·노이즈가 큰 데이터에도 적용 가능하다. 향후 연구에서는 GPU 가속, 비선형 전방 모델, 그리고 학습 기반 정규화와의 결합을 통해 더욱 실시간에 근접한 토모그래피 재구성 파이프라인을 구축할 여지가 있다.