Contrastive Diffusion Guidance for Spatial Inverse Problems

이 논문은 미분 불가능하고 부분적으로만 알려진 전방 연산자를 갖는 공간 역문제 (예: 보행 궤적로부터 평면도 복원) 를 해결하기 위해, 매끄러운 임베딩 공간에서 대비 학습을 통해 학습된 대리 가능도 점수를 활용하여 확산 모델의 역방향 샘플링을 안정적으로 유도하는 'CoGuide' 방법을 제안합니다.

핵심

1. 문제 상황: "미스터리한 집의 지도 찾기"

상상해 보세요. 누군가 어두운 방을 돌아다니며 발자국만 남겼습니다. (이게 궤적 데이터입니다.) 우리는 그 발자국을 보고, 방의 벽이 어디에 있고 문이 어디에 있는지 평면도를 그려야 합니다.

• 기존의 어려움:
  보통 AI 는 "벽이 있으면 사람이 그 벽을 통과할 수 없으니, 발자국이 벽을 건너지 않았을 거야"라고 계산합니다. 하지만 사람의 걷는 습관은 복잡합니다. "벽이 조금만 달라져도 (예: 문이 하나 생겼다면), 사람은 완전히 다른 길을 걷습니다."
  • 비유: 마치 레고 블록으로 만든 성을 상상해 보세요. 벽 하나를 살짝만 빼도, 성의 구조가 완전히 무너져버리거나 사람이 걷는 길이 급격히 바뀝니다.
  • AI 가 이걸 계산하려 하면, "벽을 조금만 움직여도 결과가 너무 크게 달라져서" 계산이 엉망이 됩니다. (수학적으로 '미분 불가능'하고 '불안정'한 상태)

2. 기존 방법의 실패: "정밀한 계산기 vs. 미친 폭풍"

기존의 AI 들은 이 문제를 풀기 위해 "벽과 발자국의 관계를 수학적으로 정확히 계산"하려고 노력했습니다. 하지만 위에서 말한 것처럼, 작은 변화에 반응이 너무 극단적이라 AI 는 길을 잃고 엉뚱한 평면도를 만들어냈습니다.

3. 이 논문의 해결책: "CoGuide (코가이드)"의 마법

이 연구팀은 "자, 계산기를 버리고 직관을 쓰자"라고 생각했습니다. 바로 **'비유적인 공간 (Embedding Space)'**을 만든 것입니다.

🌟 핵심 비유: "음악과 악보의 관계"

• 기존 방식: "이 악보 (평면도) 에서 이 소리가 (발자국) 나려면, 악보의 각 음표 위치를 정밀하게 계산해야 해!" (계산이 너무 복잡하고 틀리기 쉬움)
• CoGuide 의 방식: "이 소리를 듣고, 어떤 악보가 가장 잘 어울리는지 직관적으로 느끼자!"

이들은 AI 에게 두 가지 것을 **같은 언어 (공간)**로 번역하게 했습니다.

1. 평면도 (집의 모양)
2. 발자국 (사람이 걷는 길)

AI 는 이 둘을 비유적인 공간으로 보내서, **"이 발자국과 이 평면도는 서로 잘 어울리는 짝 (Couple) 이야"**라고 학습시켰습니다. 반대로, **"이 발자국과 이 평면도는 전혀 안 어울려!"**라고도 학습시켰습니다.

🎯 어떻게 작동할까요? (코가이드의 역할)

1. 학습 단계: AI 는 수많은 '평면도 - 발자국' 짝을 보며, 잘 맞는 것끼리는 가까이 붙이고, 안 맞는 것끼리는 멀리 떨어뜨리도록 훈련합니다. (이걸 **대조 학습 (Contrastive Learning)**이라고 합니다.)
2. 실제 작업 (추론): 이제 새로운 발자국만 주어지면, AI 는 "이 발자국과 가장 잘 어울리는 평면도는 어떤 모양일까?"라고 생각합니다.
   • 이때, 복잡한 벽 계산 대신, **"이 발자국과 가장 가까운 곳에 있는 평면도"**를 찾습니다.
   • AI 는 잡음 (노이즈) 으로 가득 찬 평면도를 점점 깨끗하게 만들면서, 학습된 '비유적 공간'에서 발자국과 가장 잘 맞는 방향으로 평면도를 수정해 나갑니다.

4. 왜 이것이 더 좋은가요?

• 안정성: 벽을 살짝만 움직여도 발자국이 완전히 바뀌는 '폭풍' 같은 계산 대신, **"이 두 개는 잘 어울려"**라는 부드러운 직관을 따르기 때문에 AI 가 길을 잃지 않습니다.
• 결과: 실험 결과, 기존 방법들보다 훨씬 더 정확한 집의 평면도를 만들어냈습니다. 특히 사람이 걷는 길이 적어도 (데이터가 부족해도) 잘 알아맞혔습니다.

5. 이 기술의 확장성: "눈이 없는 귀"

이 논문은 이 기술이 집 평면도뿐만 아니라 다른 일에도 쓸 수 있다고 말합니다.

• 예시: "고장 난 오래된 녹음 파일 (발자국)"을 듣고, "원래 어떤 노래였는지 (평면도)"를 복원하는 일입니다.
• 의미: "어떻게 소리가 망가졌는지 (벽이 어떻게 생겼는지)"를 정확히 모를 때조차, **"이 소리와 이 노래는 잘 어울려"**라는 직관만 있으면 원본을 복원할 수 있다는 뜻입니다.

📝 한 줄 요약

"복잡한 수학 계산으로 벽을 재단하는 대신, AI 에게 '발자국과 평면도가 잘 어울리는 짝'을 찾아주는 직관적인 나침반 (CoGuide) 을 만들어, 어둠 속에서도 정확한 집 지도를 그려냈다."

이 연구는 AI 가 "계산"하는 것을 넘어, "직관"과 "유사성"을 통해 복잡한 문제를 해결할 수 있음을 보여준 획기적인 시도입니다.

기술 요약

이 논문은 ICLR 2026에 발표된 "Contrastive Diffusion Guidance for Spatial Inverse Problems (공간 역문제 대비를 위한 대조적 확산 가이드)" 입니다. 저자들은 Sattwik Basu, Chaitanya Amballa 등 (일리노이 대학교 어배너-섐페인 및 사우스캐롤라이나 대학교 소속) 입니다.

이 논문은 확산 모델 (Diffusion Models) 을 사용하여 미분 불가능하고, 비선형이며, 부분적으로만 알려진 전방 연산자 (Forward Operator) 를 가진 역문제 (Inverse Problems) 를 해결하는 새로운 방법론을 제안합니다. 구체적인 응용 사례는 사람의 이동 궤적 (Trajectory) 으로부터 집의 평면도 (Floorplan) 를 복원하는 문제입니다.

아래는 논문의 상세한 기술적 요약입니다.

---

1. 문제 정의 (Problem Definition)

• 역문제 (Inverse Problems): 관측 데이터 $y$로부터 원본 신호 $x$를 복원하는 문제 ($y = A(x) + n$).
• 주요 도전 과제: 기존 확산 기반 역문제 해결법 (예: DPS, Diffusion Posterior Sampling) 은 전방 연산자 $A$가 미분 가능 (Differentiable) 하고 부드러운 (Smooth) 가정을 전제로 합니다.
• 본 논문의 특수성:
  • 응용: 스마트폰 센서 등으로 기록된 사람의 이동 궤적 ($y$) 에서 집의 평면도 ($x$) 를 추정.
  • 전방 연산자 $A$의 특성: 사람의 이동 경로는 평면도 구조에 따라 결정되지만, 이는 경로 계획 알고리즘 (Path Planning, 예: A)* 을 통해 모사됩니다.
  • 문제점: 경로 계획 알고리즘은 벽의 미세한 변화 (예: 작은 문 추가) 에 따라 경로가 급격히 변할 수 있어 비연속적 (Non-smooth) 이고 비미분 가능 (Non-differentiable) 입니다.
  • 기존 방법의 한계: $A$를 미분 가능하게 근사화 (Neural A*, TransPath 등) 하더라도, 경계면에서의 기울기 (Gradient) 가 불안정하여 확산 모델의 역방향 샘플링 (Denoising) 과정에서 발산하거나 잘못된 결과를 낳습니다.

2. 제안 방법: CoGuide (Methodology)

저자들은 전방 연산자 $A$를 직접 모델링하거나 미분 가능하게 근사하는 대신, 학습된 임베딩 공간 (Learned Embedding Space) 에서 대조적 학습 (Contrastive Learning) 을 통해 우회하는 방식을 제안합니다.

2.1. 핵심 아이디어: 대조적 우회 (Contrastive Surrogate)

• 임베딩 공간 $E$ 구성: 평면도 $x$와 궤적 $y$를 각각 인코더 ($f_\phi, g_\psi$) 를 통해 공통 임베딩 공간 $E$로 매핑합니다.
• 대조적 학습 (Contrastive Learning):
  • 목표: 호환되는 (매칭된) 평면도 - 궤적 쌍은 임베딩 공간에서 가깝게, 불일치하는 쌍은 멀게 배치되도록 학습합니다.
  • 손실 함수: InfoNCE 스타일의 대조적 손실 (Supervised Contrastive Loss) 을 사용하여 학습합니다.
• 우회 가능도 (Surrogate Likelihood) 도출:
  • 정보 이론적 관점 (InfoNCE) 에서 최적의 대조적 분류기는 $p(y|x)$ (가능도) 와 관련이 있음을 이용합니다.
  • 임베딩 공간에서의 거리를 기반으로 한 대조적 가이드 (Contrastive Guidance) 를 확산 모델의 가능도 점수 (Likelihood Score) 대용으로 사용합니다.
  • 수식:
    $$\nabla_{x_t} \log p_t(x_t|y) \approx s_\theta(x_t, t) - \frac{1}{2\tau} \nabla_{x_t} \| f_\phi(\hat{x}_0) - g_\psi(y) \|_2^2$$
    여기서 $s_\theta$는 사전 (Prior) 점수 모델이고, 두 번째 항은 임베딩 공간에서의 거리 기반 가이드입니다. 이 항은 매끄럽고 미분 가능하여 최적화를 안정화시킵니다.

2.2. CoGuide 알고리즘의 세부 사항

1. 교차 패널티 (Intersection Penalty): 생성된 평면도의 벽과 관측된 궤적이 겹치는 경우를 패널티로 부과하여 물리적 일관성을 강화합니다.
2. Adam 기반 DDIM 샘플링: DDIM (Denoising Diffusion Implicit Models) 스텝 내에서 단순 경사하강법 (GD/SGD) 대신 Adam 옵티마이저를 사용하여 비볼록 (Non-convex) 사후 분포에서의 수렴성을 개선합니다.
3. 학습률 스케줄링: 가이드 강도를 조절하기 위해 코사인 어닐링 (Cosine Annealing) 과 하드 게이트 (Hard-gating) 를 적용하여 후기 단계의 불안정성을 방지합니다.
4. CFG 결합: Classifier-Free Guidance (CFG) 와 결합하여 성능을 더욱 향상시킬 수 있습니다.

3. 주요 기여 (Key Contributions)

1. 비미분 가능 연산자를 위한 새로운 프레임워크: 확산 모델 기반 역문제 해결에 있어, 미분 불가능하고 불연속적인 전방 연산자 (경로 계획 등) 를 다루기 위해 대조적 임베딩 공간을 도입했습니다.
2. 안정적인 가능도 가이드: 기존에 불안정했던 직접적인 가능도 점수 대신, 매끄러운 임베딩 공간의 거리 기반 점수를 유효한 우회 가능도 (Valid Surrogate Likelihood) 로 증명했습니다.
3. CoGuide 모델 개발: 평면도 복원 문제를 해결하는 구체적인 모델을 제안하고, 다양한 경로 계획 알고리즘 (Neural A*, TransPath, DiPPeR 등) 을 포함한 기존 방법론보다 우수한 성능을 입증했습니다.
4. 범용성 입증: 공간 역문제 (평면도 복원) 외에도 블라인드 오디오 복원 (Blind Audio Restoration) 과 같이 전방 연산자가 완전히 알려지지 않은 문제에도 적용 가능함을 보였습니다.

4. 실험 결과 (Results)

• 데이터셋: HouseExpo (약 35,000 개의 2D 평면도) 를 사용하며, A* 알고리즘으로 생성된 다양한 밀도 (희소, 중간, 밀집) 의 궤적 데이터를 학습 및 평가에 활용했습니다.
• 비교 대상:
  • DPS + 경로 계획기 (Neural A*, TransPath, DiPPeR)
  • DiffPIR, DMPlug (기존 확산 기반 역해결사)
  • CFG (Classifier-Free Guidance)
• 정량적 평가 (F1 Score, IoU):
  • 희소 (Sparse) 및 중간 (Moderate) 궤적: CoGuide 가 모든 베이스라인을 압도적으로 능가했습니다. 특히 궤적 정보가 부족할 때 (Ill-posed) 강건함을 보였습니다.
  • 밀집 (Dense) 궤적: CFG 가 가장 높았으나, CoGuide 와 CFG+CoGuide 조합이 CFG 보다도 더 높은 성능을 보였습니다.
• 정성적 평가:
  • 기존 방법들은 궤적과 일치하지 않는 아티팩트 (Artifact) 를 생성하거나 벽을 잘못 배치하는 경향이 있었습니다.
  • CoGuide 는 관측된 궤적과 일관된 매끄러운 평면도를 생성했습니다.
• 실제 데이터 평가: UWB (초광대역) 센서로 수집한 실제 아파트 궤적 데이터를 사용하여 테스트한 결과, CFG 는 실제 데이터 분포의 차이로 인해 실패한 반면, CoGuide 는 실제 구조를 더 잘 복원했습니다.
• 블라인드 오디오 복원: 알려진 전방 연산자가 없는 오디오 노이즈 제거 문제에서도 기존 방법 (LTAS) 보다 우수한 FAD (Fréchet Audio Distance) 점수를 기록했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 이론적 확장: 확산 모델이 미분 가능한 연산자에만 국한되지 않고, 비미분 가능하고 복잡한 물리적/논리적 연산자가 포함된 역문제에도 적용 가능함을 보였습니다.
• 실용적 가치: 카메라나 라이다와 같은 시각 센서 없이도, 스마트폰의 IMU 나 UWB 센서 같은 저비용 센서로 수집된 궤적 데이터만으로 실내 구조를 파악할 수 있어 프라이버시 보호와 비용 효율성 측면에서 의미가 큽니다.
• 미래 전망: 이 접근법은 도시 지도 생성 (GPS 궤적), 분자 구조 합성, 인터넷 토폴로지 추론 등 다양한 블라인드 역문제 (Blind Inverse Problems) 로 확장될 수 있는 가능성을 제시합니다.

요약하자면, CoGuide는 확산 모델의 가이드 메커니즘을 대조적 학습을 통해 재정의함으로써, 기존에는 해결하기 어려웠던 비연속적이고 비미분 가능한 역문제 영역을 성공적으로 개척한 획기적인 연구입니다.