확률적 브릿지와 적대적 확산을 위한 반복 비례 마코프 적합

초록

**
본 논문은 기존의 Schrödinger Bridge( SB) 문제 해결 방법인 Iterative Markovian Fitting(IMF)과 Iterative Proportional Fitting(IPF, Sinkhorn) 사이의 관계를 밝히고, 두 절차를 결합한 새로운 Iterative Proportional Markovian Fitting(IPMF) 알고리즘을 제안한다. IPMF는 전·후방 확산 모델을 번갈아 학습하는 실용적 히어스틱을 이론적으로 정당화하며, 가우시안 및 실제 이미지 데이터에 대해 수렴성을 실험적으로 검증한다. 또한 초기 커플링을 조절함으로써 이미지 유사도와 생성 품질 사이의 트레이드오프를 제공한다.

**

상세 분석

**
논문은 먼저 SB 문제를 KL 발산을 최소화하는 최적 전이 과정으로 정의하고, 이를 정적 형태와 동적 형태로 나눈다. 정적 형태는 엔트로피 최적 수송(EOT)과 동등함을 보이며, 이는 Sinkhorn 알고리즘이 해결하는 구조와 일치한다. 기존의 IPF는 초기 브라운 운동을 기반으로 전·후방 마진을 순차적으로 교정하면서 전방 KL( q*‖q )를 감소시킨다. 그러나 실제 구현 시 “prior forgetting” 현상이 발생해 최적성(입력과 출력의 유사성) 손실이 우려된다. 반면 IMF는 마진을 정확히 맞춘 상태에서 역 KL( q‖q* )를 감소시키며, 마르코프성 유지와 최적성 확보를 동시에 목표로 한다. 하지만 IMF 역시 각 단계에서 전·후방 전이 밀도를 근사하는 과정에서 오류가 누적되어 마진 일치가 깨질 수 있다.

이러한 문제점을 해결하기 위해 실무에서는 IMF를 전·후방 확산 모델을 교대로 학습하는 히어스틱(DSBM, ASBM)으로 변형한다. 저자는 이 히어스틱이 사실상 IPF와 IMF의 투사 연산을 교대로 수행한다는 사실을 정리한다. 구체적으로, 전방 파라미터화 단계는 IMF의 마르코프 투사 뒤에 IPF의 후방 마진 교정(proj₁)을 적용하고, 후방 파라미터화 단계는 IMF의 마르코프 투사 뒤에 IPF의 전방 마진 교정(proj₀)을 적용한다. 이렇게 네 개의 연산(두 IMF 투사 + 두 IPF 투사)이 하나의 IPMF 스텝을 구성한다.

이론적 분석에서는 (1) 가우시안 커플링에 대해 IPMF가 지수적 수렴을 보이며, (2) 유한 지원을 가진 마진에 대해 수렴성을 보장한다는 정리를 제시한다. 또한 초기 커플링이 마르코프·리시프로클( reciprocal) 클래스에 속하면 IPMF가 IMF와 동일하게 동작하고, 초기 커플링이 단순히 마진만 맞춘 경우 IPMF가 IPF와 동일하게 동작함을 보여, IPMF가 두 기존 방법의 일반화임을 증명한다.

실험 부분에서는 (a) 1차원·다차원 가우시안 실험, (b) 2D 합성 데이터, (c) 공개 SB 벤치마크, (d) 컬러 MNIST·CelebA 이미지 변환 네 가지 시나리오를 제시한다. 모든 실험에서 IPMF는 기존 IMF·IPF 대비 KL 감소 속도가 빠르고, 시각적 품질 및 마진 일치 지표에서 우수함을 확인한다. 특히 이미지 변환 실험에서는 초기 커플링을 “유사도 중심”과 “품질 중심” 두 가지로 조절함으로써, 사용자가 원하는 트레이드오프를 직접 선택할 수 있음을 보여준다.

마지막으로 저자는 IPMF가 연속시간 SB, 온라인 SB, 그리고 정규화 흐름(rectified flow) 등 다양한 최신 생성 모델에 자연스럽게 확장될 수 있음을 논의한다. 이는 기존 방법들이 각각 전·후방 혹은 마진·최적성 중 하나에만 집중했지만, IPMF는 두 목표를 동시에 최적화하는 통합 프레임워크를 제공한다는 점에서 의미가 크다.

**