공간 적응형 희소성 지도와 사전 교환이 가능한 컨볼루션 딕셔너리 학습

본 논문은 “Learning spatially adaptive sparsity level maps for arbitrary convolutional dictionaries”라는 제목의 연구를 확장·보완한다. 기존의 딥러닝 기반 MRI 재구성 방법은 높은 성능을 보이지만, 블랙박스 특성으로 인해 해석 가능성과 데이터 분포 변화에 대한 취약점이 있다. 저자들은 이러한 문제를 해결하기 위해, 사전‑조건부 CNN을 이용해 공간 적응형 희소성 레벨 맵(Λ‑maps)을 추정하고, 이를 모델 기반 컨볼루션 딕셔너리 정규화에 결합한 재구성 프레임워크를 제안한다. 핵심 아이디어는 다음과 같다. 이미지 x는 고주파 성분 x_high와 저주파 성분 x_low로 분리된다. 고주파 성분은 사전 D와 희소 계수 s의 컨볼루션 Ds 로 표현되며, s는 ℓ₁ 정규화와 데이터 적합성을 동시에 만족하도록 최적화된다. 여기서 Λ는 각 필터별 희소성 레벨을 조절하는 가중치 행렬이며, 이 Λ를 CNN(NET Θ)으로부터 추정한다. 기존 CDL‑Λ(V1)에서는 입력 이미지만을 사용해 K개의 Λ를 직접 출력했으나, 이는 사전 D에 종속되지 않아 사전 교체가 불가능했다. 이를 개선하기 위해 세 가지 변형을 제안한다. V2는 입력을 Dᵀx₀ 로 변환해 사전 정보를 네트워크에 제공하지만, 여전히 K에 고정된다. V3는 입력을 Dᵀx₀ 로 변환한 뒤, 채널 차원을 배치 차원으로 재배열(R)하고, 2‑to‑1 U‑Net을 적용해 각 필터에 대해 동일한 파라미터를 공유한다. R⁻¹ 연산을 통해 출력을 다시 원래 형태로 복원한다. 이 설계는 (i) 필터 순열에 대한 불변성, (ii) K가 달라져도 동일 네트워크 사용, (iii) 사전 크기·커널 변동에 대한 유연성을 동시에 만족한다. 학습 단계에서는 다양한 사전 집합 {D₁,…,D_N}을 무작위로 선택해 입력에 적용하고, MSE 기반 손실 L(Θ)=E