DEGMC Riemannian 등변 그룹 형태학적 컨볼루션 기반 디노이징 확산 모델

초록

본 논문은 기존 DDPM이 갖는 기하학적 특징 추출과 변환에 대한 제한을 극복하기 위해, 리만 다양체 위에서 정의된 그룹 형태학적 컨볼루션과 대류 연산을 결합한 새로운 네트워크 구조인 GMC‑U‑Net을 제안한다. 이를 통해 회전·반사·순열 등 Euclidean 그룹 전반에 대한 등변성을 확보하고, 얇은 구조와 비선형성을 효과적으로 포착한다. MNIST, RotoMNIST, CIFAR‑10 실험에서 FID와 샘플 품질이 기존 DDPM을 능가한다.

상세 분석

DEGMC 논문은 두 가지 핵심 문제, 즉 디노이징 확산 모델에서의 기하학적 핵심 특징 추출과 네트워크의 변환 등변성 부재를 동시에 해결하려는 시도로 시작한다. 기존 DDPM이 U‑Net 기반으로 설계돼 이론적으로는 평행 이동에만 등변성을 보장한다는 점을 지적하고, 보다 일반적인 Euclidean 그룹 E(n) (회전, 반사, 순열 포함)에 대한 등변성을 확보하기 위해 리만 다양체 위에서 정의된 그룹 형태학적 컨볼루션을 도입한다.

첫 번째 기술적 기여는 Hamilton‑Jacobi 형태의 1차 편미분 방정식(PDE)으로부터 유도된 형태학적 팽창·수축 연산을 리만 거리와 구조 함수 b_k^t 를 이용해 다중 스케일 형태학적 연산으로 일반화한 점이다. 이 연산은 viscosity solution 개념을 활용해 수학적으로 엄밀히 정의되며, 그룹 작용 L_h 와 교환(commute)함으로써 정의 2.1에 따른 등변성을 만족한다. 특히, k>1 인 경우 비선형 구조 함수를 허용해 얇은 선형 구조나 복잡한 경계도 효과적으로 처리한다.

두 번째 기여는 대류(convection) 항을 추가해 특징 맵을 데이터의 기하학적 흐름에 따라 재배열하는 연산을 구현한 것이다. 대류 PDE ∂u/∂t + αu = 0 를 특성곡선 방법으로 풀어, 그룹 원소 h_x 와 지수곡선 γ_c(t) 로 표현되는 변환을 통해 입력 특징을 이동시킨다. 이 과정 역시 G‑불변 벡터 필드 α 에 의해 정의돼 그룹 등변성을 유지한다.

네트워크 설계 측면에서 저자들은 기존 U‑Net을 대체하는 GMC‑U‑Net을 제시한다. 각 레이어는 ResNetCDEBlock(Convection‑Dilation‑Erosion) 으로 구성돼, 대류 연산 뒤에 형태학적 수축·팽창 연산을 순차적으로 적용한다. 이러한 블록은 연산자 분할(operator splitting) 기법으로 구현돼, 각 단계가 독립적인 PDE 해석에 기반하므로 수치적 안정성이 높다. 또한, 그룹 형태학적 컨볼루션은 G‑CNN 이론을 확장한 PDE‑G‑CNN 과의 연계성을 갖으며, 기존 G‑CNN 이 보여준 성능 향상을 확률적 디노이징 프레임워크에 그대로 적용한다.

실험에서는 MNIST, RotoMNIST, CIFAR‑10 세 가지 데이터셋을 사용해 FID, IS, 샘플 다양성 등을 평가한다. 특히 RotoMNIST 에서는 회전 등변성이 중요한데, DEGMC 가 기존 DDPM 대비 FID 를 15% 이상 감소시켰으며, 시각적으로도 회전된 숫자 형태를 보다 정확히 복원한다. CIFAR‑10 에서는 고해상도 이미지의 얇은 텍스처와 경계가 더 선명하게 재현돼, 정량적 지표와 정성적 이미지 모두에서 우수성을 입증한다.

이론적 분석과 실험 결과를 종합하면, 리만 다양체 위에서 정의된 그룹 형태학적 컨볼루션과 대류 연산의 결합이 DDPM 의 구조적 한계를 효과적으로 보완한다는 점을 확인할 수 있다. 특히, 변환 등변성을 명시적으로 모델에 내재시킴으로써 학습 효율성(빠른 수렴)과 샘플 품질(낮은 FID) 모두에서 개선을 이루었다. 다만, 현재 구현은 비교적 작은 이미지 해상도에 국한돼 있어 대규모 고해상도 데이터에 대한 확장성 및 연산 비용 최적화가 향후 과제로 남는다.