이중 변수 결합 플러그인인플레이 확산으로 의료 영상 재구성의 편향과 환각 해소

초록

본 논문은 기존 플러그인‑인‑플레이 확산(PnP‑DP) 방법이 데이터 일관성 단계에서 메모리 없는 비례 제어만 수행해 측정 편향을 남기는 문제를 지적한다. 이를 해결하기 위해 ADMM의 이중 변수(라그랑주 승수)를 복원하고, 이 변수에서 발생하는 스펙트럼 색상 잔차를 주파수 영역에서 백색 잡음 형태로 변환하는 Spectral Homogenization(SH) 모듈을 제안한다. 실험 결과 CT·MRI 재구성에서 편향은 사라지고, 환각 현상도 억제되며 수렴 속도가 3배 가량 향상된다.

상세 분석

본 연구는 플러그인‑인‑플레이 확산(PnP‑DP) 프레임워크의 근본적인 제어 구조를 재검토한다. 기존 HQS·Proximal Gradient 기반 PnP‑DP는 데이터 일관성 단계에서 현재 잔차에만 비례(P) 제어를 적용해, 누적된 오차를 보정할 메모리(적분) 요소가 결여된다. 제어 이론에 따르면 비례 제어만으로는 영구적인 정착 편향(steady‑state bias)을 제거할 수 없으며, 이는 의료 영상처럼 측정 정확도가 진단에 직결되는 분야에서 치명적이다.

논문은 이 문제를 ADMM의 이중 변수 u를 명시적으로 유지함으로써 해결한다. u는 스칼라가 아니라 전체 이미지 차원에서 누적된 프라임 잔차 x − z 를 적분해, 최적화 과정에 ‘기억’ 역할을 수행한다. 수학적으로는 u(k+1)=u(k)+