$γ$-Bridge: A Look-Parametric Diffusion Bridge

기술 요약: $\gamma$-Bridge: 룩-파라메트릭 디퓨전 브리지(Look-Parametric Diffusion Bridge)

문제 정의
곱셈적 감마 노이즈(Multiplicative Gamma noise)는 합성 개구 레이더(SAR) 디스페클링(despeckling)에서 가장 두드러지게 나타나는, 결합 코히런트 이미징 시스템의 신호 의존적 열화 현상입니다. SAR에서 강도 이미지 $Y$는 $Y = X \cdot N$으로 모델링되며, 여기서 $X$는 기저 반사율이고 $N$은 분산이 $1/L$인 단위 평균 감마 노이즈입니다. "등가 룩 수(equivalent number of looks)"로 알려진 파라미터 $L$은 노이즈의 강도를 결정합니다. $L=1$은 신호 대 잡음비(SNR)가 낮은 단일 룩 복소수(SLC) 데이터를 나타내며, $L$ 값이 높을수록 더 정제된 관측치를 의미합니다.

기존의 디퓨전 기반 디노이저들은 물리적인 룩 수 $L$ 대신 추상적인 신호 대 잡음 스케줄을 사용하여 포워드 프로세스를 파라미터화합니다. 결과적으로, 이러한 모델들은 특정 훈련 노이즈 레벨에 종속되어 추론 시 입력($L_{in}$)과 출력($L_{out}$) 노이즈 레벨을 독립적으로 제어할 수 없습니다. 또한, 실제 SAR 데이터에는 쌍을 이루는 깨끗한 정답(ground truth)이 없기 때문에, 합성 데이터로 지도 학습을 수행하면 이질적인 실제 세계의 센서에 적용할 때 도메인 간극(domain gap)이 발생하기 쉽습니다. 현재의 방법들은 센서별 미세 조정(fine-tuning)을 요구하거나, 일반화 성능이 떨어지는 복잡한 자기 지도 학습 가정을 활용해야 합니다.

방법론
저자들은 물리적 룩 수 $L$을 디퓨전 프로세스의 시간 축으로 명시적으로 모델링하여, 감마로 오염된 이미지를 복원하도록 설계된 룩-파라메트릭 디퓨전 브리지인 $\gamma$-Bridge를 제안합니다.

1. 룩-파라메트릭 포워드 브리지 (Look-Parametric Forward Bridge):
   추상적인 노이즈 스케줄 대신, 포워드 프로세스는 깨끗한 한계($L_{max}$)와 관측된 노이즈 레벨($L_{obs}$)을 연결하는 엄격하게 단조로운 룩 스케줄 $L(t)$에 의해 정의됩니다. 중간 상태는 정확한 감마 마진 분포를 따릅니다:
   $$x_t = \frac{x_0}{L(t)} G_t, \quad G_t \sim \text{Gamma}(L(t), 1)$$
   이는 모든 중간 상태 $x_t$가 기저 반사율 $x_0$의 물리적으로 유효한 $L(t)$-룩 SAR 이미지가 되도록 보장합니다.

2. 감마-레비 분해 및 역방향 사후 분포 (Gamma–Lévy Decomposition and Reverse Posterior):
   본 논문은 독립적인 감마 변수의 가법성(additivity, 레비 분해)에 기초하여 폐쇄형 역방향 사후 분포 $q(x_{t-1} | x_t, x_0)$를 도출합니다.

• 확률적 역방향 (Stochastic Reverse): 역방향 단계는 깨끗한 추정치 $\hat{x}_0$에 의해 스케일링된 독립적인 감마 증분 $Y_{t \to t-1} \sim \text{Gamma}(L(t-1)-L(t), 1)$을 더하는 과정을 포함합니다.
• 결정론적 역방향 (Deterministic Reverse): 확률적 단계의 기댓값을 취함으로써, 결정론적 업데이트 규칙 $x_{t-1} = \alpha_t x_t + (1-\alpha_t)\hat{x}_0$ (여기서 $\alpha_t = L(t)/L(-1)$)이 도출됩니다. 이 형태는 현재의 노이즈 상태와 네트워크의 깨끗한 추정치 사이의 아핀 혼합(affine mixture) 역할을 합니다.

3. 네트워크 아키텍처 및 훈련:

• 로그-잔차 파라미터화 (Log-Residual Parameterization): 네트워크 $G_\theta$는 로그 도메인에서 곱셈적 보정값 $\hat{x}_0 = x_t \cdot \exp(\Delta_\theta)$를 예측합니다. 이는 감마 노이즈의 해석적 형태와 일치하며 출력의 비음수성(non-negativity)을 보장합니다.
• 훈련 목적 함수: 모델은 자연 이미지를 합성 감마 노이즈($L_{obs}=1$)로 오염시켜 훈련됩니다. 손실 함수는 세 가지 항으로 구성됩니다:
  • 재구성 손실 ($\mathcal{L}_{rec}$): $\hat{x}_0$와 정답 사이의 $\ell_1$ 손실.
  • 복사적 모멘트 매칭 ($\mathcal{L}_{ratio}$): 잔차 비율 $x_{obs}/\hat{x}_0$가 타겟 룩 수에 대해 올바른 평균과 분산을 갖도록 강제합니다.
  • 2단계 일관성 손실 ($\mathcal{L}_{cons}$): 역방향 체인의 서로 다른 단계에서의 예측이 서로 일관되도록 보장하는 궤적 수준의 정규화 항으로, 저-SNR 환경에서의 다단계 추론을 안정화합니다.

4. 추론 제어 (Inference Controls):
   훈련된 모델은 실행 시 두 가지 직교하는 제어를 지원합니다:

• 스마트-스타트 (Smart-Start, 입력 제어): 추정된 룩 수 $\hat{L}_{in}$을 가진 입력이 주어지면, 항상 $L_{obs}=1$에서 시작하는 대신 $L(t^*) \approx \hat{L}_{in}$을 만족하는 브리지 상태 $t^*$에서 역방향 체인을 초기화합니다.
• 타겟-$L$ 출력 제어 (Target-$L$ Output Control): 역방향 체인을 원하는 출력 룩 수 $L_{out}$에 해당하는 임의의 단계 $t^*$에서 종료할 수 있어, 유연한 복원 품질 조절이 가능합니다.

주요 기여

• 룩-파라메트릭 디퓨전 브리지: 시간 축을 물리적 룩 수 $L$로 설정한 최초의 디퓨전 프레임워크로, 모든 단계에서 정확한 감마 마진 분포를 제공하며 디퓨전 프로세스에 직접적인 물리적 해석을 부여합니다.
• 폐쇄형 감마-레비 사후 분포: 클리핑이나 휴리스틱한 제약 없이 감마 구조를 보존하는 결정론적 및 확률적 역방향 전이를 도출했습니다.
• 직교 제어를 통한 제로샷 전이 (Zero-Shot Transfer via Orthogonal Controls): 합성 $L_{obs}=1$ 데이터로만 훈련된 단일 모델이 $(L_{in}, L_{out})$ 쌍의 전체 그리드에 대해 제로샷 복원을 수행할 수 있습니다. 이는 균질 패치 룩 추정기와 스마트-스타트 입력 제어를 결합하여 달성되었으며, 센서별 미세 조정의 필요성을 제거했습니다.
• 분포 검증: 역방향 프로세스 중 중간 감마 마진의 충실도를 검증하기 위해 베타 결합 비율 통계량(Beta-coupled ratio statistics)을 도입했습니다.

실험 결과

• 합성 벤치마크: 표준 데이터셋(Set12, McMaster, Kodak24)에서 $\gamma$-Bridge는 다양한 룩 수($L_{obs} \in \{1, 2, 4, 8\}$)에 대해 선도적이거나 경쟁력 있는 PSNR 및 SSIM 점수를 달성했습니다. 특히, 희소 사전 확률(sparse-prior) 방식보다 우수한 성능을 보이는 고질감 장면(Mcaster)에서 강력한 일반화 능력을 입증했습니다.
• 실제 SAR 평가: 6종의 우주 및 항공 센서(Sentinel-1, TerraSAR-X, Gaofen-3, miniSAR, FARAD X/Ka-band) 데이터에 대해 미세 조정 없이 테스트되었습니다.
  • 우주 기반 센서의 경우, $\gamma$-Bridge는 등가 룩 수(ENL) 및 에지 보존(EPI) 측면에서 최신 기법(예: MONet, SAR2SAR)과 대등하거나 더 나은 결과를 보였으며, 복사적 충실도(평균 강도)를 유지했습니다.
  • 항공 기반 센서의 경우, 성능은 중간 수준이었으며, 일부 센서에서는 앞서 나갔으나 고주파 구조 및 다크 테일(dark-tail) 강도를 합성 훈련 분포가 완전히 포착하지 못해 특정 센서에서는 뒤처지는 모습을 보였습니다.
• 다단계 추론: 실험 결과, 5단계 결정론적 역방향이 1단계 베이스라인보다 성능을 크게 향age(+1.16 dB)시켰으나, 과도한 단계(25단계)는 훈련-추론 불일치로 인한 약간의 과도한 수축(over-shrinkage)을 유발했습니다.
• 절제 연구 (Ablation Studies): 폐쇄형 사후 분포, 관측 조건부화, 일관성 손실 또는 로그-선형 스케줄을 제거했을 때 성능이 유의미하게 저하되었으며, 이는 다단계 추론의 안정성을 위한 각 구성 요소의 필요성을 확인시켜 줍니다.

의의 및 주장
본 논문은 $\gamma$-Bridge가 고정된 노이즈 스케줄로부터 복원 프로세스를 분리함으로써 감마 이미지 복원의 새로운 패러다임을 구축한다고 주장합니다. 주요 의의는 합성 데이터로만 훈련된 단일 모델을 통해 다양한 SAR 센서와 룩 수에 대한 제로샷 전이를 가능하게 한다는 점에 있습니다. 룩 수를 런타임 변수로 취급함으로써, 이 방법은 기존 디노이저에는 없는 물리적으로 해석 가능한 입력 및 출력 제어를 제공합니다. 저자들은 이 방법이 모든 고해상도 항공 시나리오에 완벽하지는 않지만(도메인 간극 때문), 깨끗한 정답이나 센서별 적응 없이도 제어된 합성 훈련과 이질적인 실제 세계 배포 사이의 간극을 성공적으로 메운다는 점을 강조합니다. 본 연구는 비가우시안 이미징 문제를 위한 물리적으로 근거 있고 제어 가능한 디퓨전 모델을 향한 진전으로 제시됩니다.