빠른 등변 이미지 학습을 위한 효율적 프레임워크

초록

본 논문은 기존 Equivariant Imaging(EI)의 고비용 학습 문제를 변수 분할과 플러그‑인‑플레이(PnP) 디노이저를 결합한 Fast Equivariant Imaging(FEI)로 해결한다. 라그랑주 승법과 인exact Half‑Quadratic Splitting·Linearized ADMM을 이용해 라티언 재구성 단계와 의사‑지도 단계로 학습을 교대로 수행함으로써 10배 가량의 속도 향상과 일반화 성능 개선을 달성한다. 또한 사전 학습된 디노이저를 활용한 PnP‑FEI와 테스트‑타임 적응 메커니즘을 제안한다.

상세 분석

FEI는 EI가 요구하는 “등변 손실”이 재구성 품질이 충분히 높을 때만 유의미한 그래디언트를 제공한다는 근본적인 한계를 인식하고, 이를 두 단계로 분리한다. 첫 번째 라티언 재구성 단계에서는 측정 일관성(f_mc)과 이미지 사전(R) 혹은 사전 학습된 디노이저를 이용해 현재 네트워크 출력으로부터 보다 정확한 잠재 이미지 u를 추정한다. 여기서 변수 분할을 적용해 원래의 복합 목적함수를 f_mc(Au, y)+R(u) 형태로 분리함으로써 각 서브문제를 효율적인 최적화 루틴(예: ADMM, HQS)으로 해결한다. 두 번째 의사‑지도 단계에서는 얻어진 u를 “준‑정답”으로 삼아 기존 EI의 등변 정규화 ‖T_gFθ(y)−Fθ(AT_g u)‖²를 네트워크 파라미터에 직접 적용한다. 라그랑주 승수와 인exact 업데이트 이론을 활용해 서브문제의 근사 해가 허용 오차 범위 내에 있으면 전체 수렴이 보장된다는 점을 이론적으로 뒷받침한다.

알고리즘적으로는 두 가지 구현이 제시된다. 첫 번째는 HQS 기반으로, ρ‑parameter를 적응적으로 조정하며 Adam과 같은 모멘텀 기반 옵티마이저와 결합한다. 두 번째는 Linearized ADMM으로, 선형화된 프라임 업데이트와 이중 변수의 간단한 폐쇄형 해를 교대로 수행한다. 두 방식 모두 이전 반복의 그래디언트 히스토리를 재활용해 수렴 속도를 극대화한다.

또한 PnP‑FEI는 라티언 재구성 단계에 사전 학습된 고성능 디노이저(예: DnCNN, UNet 기반)를 삽입함으로써 이미지 도메인 프라이어와 측정 도메인 프라이어를 동시에 활용한다. 이는 기존 EI가 측정 도메인에만 의존하던 한계를 극복하고, 복원 품질을 크게 향상시킨다.

테스트‑타임 적응은 사전 학습된 모델을 각 테스트 샘플에 대해 짧은 라티언 재구성·의사‑지도 사이클을 수행함으로써 구현된다. 이 과정은 메모리와 연산량이 적어 실시간 혹은 근실시간 적용이 가능하며, 데이터 분포 변화에 대한 강인성을 제공한다. 실험 결과는 X‑ray CT 재구성과 이미지 인페인팅 두 과제에서 기존 EI 대비 10배 빠른 학습 시간과 PSNR/SSIM 향상을 입증한다.