기술적 요약: 정확도 너머: 확산 역해결사(Posterior Fidelity)의 평가

문제 제기

의료 영상, 지구물리학, 천문학 등 과학 및 공학 분야의 역문제(inverse problems)는 본질적으로 잘못 설정된(ill-posed) 문제로, 측정 노이즈와 불완전한 데이터로 인해 여러 가지 물리적으로 타당한 해가 존재할 수 있습니다. 사전 훈련된 확산 사전분포(priors)를 활용하여 이러한 문제를 해결하는 확산 역해결사(Diffusion Inverse Solvers, DIS)가 강력한 패러다임으로 부상했지만, 현재의 평가 벤치마크는 재구성 정확도(예: PSNR, SSIM)에 거의 독점적으로 초점을 맞추는 치명적인 한계를 안고 있습니다.

이러한 초점은 "정확도 함정(Accuracy Trap)"을 초래하여, 방법론이 점 단위 재구성 품질만으로 평가받게 합니다. 그러나 확률적 DIS 방법은 불확실성을 정량화하기 위해 사후 분포 $p(x|y)$ 에서 표본을 추출하도록 설계되었습니다. 어떤 방법이 우연히 정답에 가까운 단일 결정론적 유사 출력을 생성하여 높은 정확도를 달성할지라도, 실제 분포적 행동(예: 모드 누락, 분산 축소, 또는 사후 분포 밖의 표본 생성)을 포착하지 못할 수 있습니다. 워스터스타인 거리(Wasserstein distance)나 FID와 같은 기존 분포적 충실도 지표들은 정답 사후 표본이나 밀도에 대한 접근이 필요하며, 이는 실제 과학 응용 분야에서 불가능합니다. 결과적으로, DIS 방법이 실제로 목표 사후 분포를 회복하는지 평가할 수 있는 견고한 정답 없는(ground-truth-free) 지표가 부재합니다.

방법론

1. 사후 충실도의 체계적 연구

저자들은 알려진 분석적 정답 사후 분포를 가진 합성 역문제를 사용하여 통제된 연구를 수행했습니다. 사후 표본을 시각화하고 정답 분포와 비교함으로써, 재구성 정확도가 비슷함에도 불구하고 서로 다른 DIS 방법들이 질적으로 다른 행동(예: 모드 붕괴, 약한 모드에 대한 낮은 커버리지)을 보임을 입증했습니다. 이는 정확도 이상의 분포적 행동을 평가할 필요성을 확립합니다.

2. 점수 기반 커널 스타인 불일치 (Score-KSD)

실제 환경에서 정답 표본이 부재하는 문제를 해결하기 위해, 본 논문은 정답 사후 밀도나 표본에 대한 접근 없이 사후 일관성을 평가하는 이론적으로 근거를 둔 지표인 Score-KSD를 제안합니다.

• 사후 점수 근사: 이 방법은 베이즈 규칙을 통해 사후 점수 $\nabla_x \log p(x|y)$ 를 분해하는 데 의존합니다:
  $$\nabla_x \log p(x|y) = \nabla_x \log p(y|x) + \nabla_x \log p(x)$$

  • 가능도 점수 (Likelihood Score): 가우시안 노이즈의 경우, 가능도 점수 $\nabla_x \log p(y|x)$ 는 전방 연산자 $A$ 와 측정값 $y$ 를 사용하여 분석적으로 계산 가능합니다.
  • 사전 점수 (Prior Score): 사전 점수 $\nabla_x \log p(x)$ 는 사전 훈련된 확산 모델을 사용하여 근사합니다. 깨끗한 이미지 $x$ 를 작은 노이즈로 교란하고 확산 점수 네트워크 $s_\theta$ 에 쿼리함으로써 저자들은 사전 점수를 근사합니다.
  • 결합 점수: 가능도 점수와 근사된 사전 점수의 합은 추정된 사후 점수장 $\hat{s}_p(x; y)$ 를 생성합니다.

• 커널 스타인 불일치 (KSD): 추정된 점수장을 사용하여 저자들은 DIS 방법에 의해 생성된 표본의 분포($\hat{q}_N$) 와 목표 사후 분포 $p(x|y)$ 간의 불일치를 측정하기 위해 KSD 를 적용합니다. KSD 는 재생 커널 힐베르트 공간(RKHS) 에서 스타인 항등식 $\mathbb{E}[T_p f(X)] = 0$ 의 최대 위반을 측정합니다.

  • 제곱 KSD 는 생성된 표본과 커널 함수에 기반한 폐형식(closed-form) 경험적 추정량을 허용합니다.
  • 데이터 차원을 고려하기 위해 정규화된 버전인 score-KSD가 제안되어 작업 간 비교를 가능하게 합니다. 낮은 score-KSD 는 목표 사후 점수장과의 높은 일관성을 나타냅니다.

주요 기여

1. "정확도 함정"의 식별: 본 논문은 높은 재구성 정확도가 높은 사후 충실도를 보장하지 않음을 체계적으로 입증합니다. 서로 다른 DIS 방법들은 유사한 PSNR 점수를 생성하면서도 결정론적 붕괴 대 잘 분산된 표본 추출과 같이 극히 다른 불확실성 행동을 보일 수 있습니다.
2. Score-KSD 의 제안: 저자들은 사후 일관성을 평가하기 위한 정답 없는 지표를 도입했습니다. 이전의 분포적 지표들과 달리 Score-KSD 는 전방 모델, 노이즈 수준, 사전 훈련된 확산 사전분포만 필요로 하므로, 정답 사후 분포를 알 수 없는 실제 역문제에 적용 가능합니다.
3. 종합적 평가: 연구는 Score-KSD 를 다음을 통해 검증합니다:
   • 통제된 시뮬레이션: Score-KSD 순위와 시각적 사후 충실도 및 정답 분석적 점수를 비교합니다.
   • 실제 작업: 선형 역산란, 부분 샘플링 MRI 재구성, 희소 뷰 CT 재구성 (동일 분포 및 외부 분포 모두) 에 지표를 적용합니다.

결과

• 시뮬레이션 연구: 정답 사후 분포를 알 수 있는 합성 환경에서 Score-KSD 는 전체 사후 기하학(약한 모드 포함) 을 회복하는 방법과 모드 붕괴를 겪는 방법 사이를 성공적으로 구분합니다. 높은 정확도이지만 분포적 커버리지가 낮은 방법들 (예: 단일 실행 설정의 RED-Diff, FPS) 은 더 나은 사후 일관성을 보이는 방법들 (예: MCG-Diff, DiffPIR) 보다 훨씬 높은 Score-KSD 값을 보였습니다.
• 실제 실험:
  • Score-KSD 는 DIS 방법과 단순한 기준선 (무조건부 사전분포, 순수 노이즈) 사이를 효과적으로 구분합니다.
  • 이 지표는 유사한 PSNR 점수를 가진 방법들이 종종 상이한 Score-KSD 값을 가짐을 드러내어, 정확도만으로는 확률적 해결사를 평가하기에 불충분함을 확인시켜 줍니다.
  • 외부 분포 (OOD) 설정 (예: LIDC-IDRI 로 훈련된 사전분포를 사용하여 폐 CT 재구성) 에서 Score-KSD 값은 증가하여, 사전분포 불일치로 인한 저하된 사후 일관성을 정확히 나타냈습니다.
  • 이 지표는 동일 작업 내의 서로 다른 테스트 이미지 전반에 걸쳐 안정성을 보이며, 견고한 진단 도구로서의 사용을 뒷받침했습니다.

의의 및 주장

본 논문은 위험에 민감한 과학적 응용 분야에서 DIS 방법을 배포하기 위해서는 견고한 불확실성 정량화가 전제되어야 한다고 주장합니다. 이 작업의 주요 의의는 점 단위 정확도에서 분포적 충실도로 평가 패러다임을 전환하는 데 있습니다.

저자들은 Score-KSD 가 다음과 같은 의미 있고 이론적으로 근거를 둔 진단을 제공한다고 주장합니다:

1. 숨겨진 행동의 발견: 정확도 지표가 놓치는 분포적 실패 (예: 모드 붕괴) 를 드러냅니다.
2. 정답 없는 평가 가능: 분석적 사후 분포를 사용할 수 없는 실제 시나리오에서 사후 일관성을 평가할 수 있게 합니다.
3. "정확도 함정" 강조: PSNR 최적화가 반드시 더 나은 불확실성 정량화로 이어지는 것은 아님을 보여주어, 커뮤니티가 분포 인식 평가 기준을 채택하도록 촉구합니다.

저자들은 Score-KSD 가 작업 내 진단 도구임을 겸손하게 지적합니다 (다양한 사후 분포의 날카로움과 차원으로 인해 서로 다른 역문제 간 값은 직접 비교할 수 없음) 이며, 그 정확도는 노이즈 스케일 $\sigma_y$ 의 정확한 추정에 의존한다고 언급합니다. 이들은 이 노이즈 추정의 민감성을 향후 연구 방향으로 제시합니다.