데이터·노이즈 인식 흐름 매칭으로 풀어내는 고난이도 역문제

초록

**
DAWN‑FM은 관측 데이터와 잡음 수준을 직접 임베딩한 흐름 매칭(Flow Matching) 모델을 이용해, 이미지 디블러링·단층 촬영 등 고도로 ill‑posed한 역문제를 해결한다. 문제별로 학습하며, 시간‑의존 속도장을 학습해 ODE를 적분함으로써 다중 샘플을 생성하고 불확실성을 정량화한다. 기존 사전학습된 확산 모델 대비 잡음에 강하고, 물리 모델을 손실에 직접 포함해 데이터 일관성을 보장한다.

**

상세 분석

**
본 논문은 최근 각광받는 흐름 매칭(Flow Matching, FM) 프레임워크를 역문제 해결에 특화시킨 DAWN‑FM을 제안한다. FM은 단순히 가우시안 기준분포 π₀와 목표분포 π₁ 사이를 선형 보간 xₜ = (1‑t)x₀ + t x₁ 으로 정의하고, 그 경로상의 속도 v = x₁‑x₀ 을 신경망 sθ(xₜ, t) 가 근사하도록 학습한다. 손실은 E‖sθ(xₜ, t) + x₀‑x₁‖² 이며, 학습 후에는 ODE dxₜ/dt = sθ(xₜ, t) 를 4차 Runge‑Kutta로 적분해 x₁을 복원한다.

역문제에서는 관측 b = A x₁ + ε (ε∼N(0,σ²I))가 주어지며, A는 종종 랭크가 낮은 선형 연산자이다. 기존 사전학습된 확산 모델은 π(x₁)만을 사전 지식으로 활용해 π(x₁|b)∝π(b|x₁)π(x₁) 을 근사하지만, 잡음이 크거나 A가 심하게 손상된 경우 사후분포가 데이터에 충분히 맞춰지지 않는다. DAWN‑FM은 두 가지 혁신을 도입한다. 첫째, 측정 데이터 b와 잡음 수준 σ를 별도의 임베딩 레이어를 통해 sθ 에 입력함으로써, 네트워크가 “데이터‑인식” 및 “노이즈‑인식”을 동시에 수행하도록 만든다. 둘째, 손실에 물리 기반 데이터 불일치 ‖A x̂₁‑b‖² 를 추가해, 학습 과정 자체가 전방 모델과 일관되도록 설계한다. 이렇게 하면 학습된 속도장은 관측에 맞는 사후분포를 직접 모델링하므로, 사전분포에 과도하게 끌려가는 현상을 방지한다.

실험에서는 (1) 이미지 디블러링, (2) 전산 단층 촬영(CT) 복원을 대상으로, 다양한 잡음 수준(σ = 0.01‒0.1)과 측정 비율(10%‒30%)에서 PSNR·SSIM을 평가하였다. DAWN‑FM은 동일한 네트워크 구조와 학습 예산 하에서 사전학습된 확산 기반 방법, 인코더‑디코더식 역학습, 물리‑인포드 네트워크 등을 모두 능가했으며, 특히 높은 잡음·저 측정 비율에서 성능 격차가 두드러졌다. 또한, ODE 적분을 여러 번 수행해 얻은 다중 샘플을 통해 사후 평균과 표준편차를 추정함으로써, 복원 이미지의 불확실성을 시각화할 수 있었다.

한계점으로는 현재 선형 전방 연산자 A에 초점을 맞추었으며, 비선형 PDE 기반 역문제에 대한 확장은 추가 연구가 필요하다. 또한, 문제별로 별도 학습을 수행하므로 대규모 데이터셋에 대한 일반화 능력은 제한적이다. 그럼에도 불구하고, 데이터·노이즈 임베딩과 물리 일관성 손실을 결합한 DAWN‑FM은 고난이도 역문제에서 강인한 사후 샘플링과 불확실성 정량화를 제공하는 실용적인 프레임워크로 평가된다.

**