이 분야 처음 보는 분께

이 분야는 디퓨전 모델이라는 생성 인공지능을 활용하여 의료 영상 등에서 손상되거나 불완전한 데이터를 복원하는 역문제를 해결하는 것을 다룹니다. 이 기술은 적은 데이터로도 고품질의 이미지를 만들어내어 MRI나 CT와 같은 의료 진단의 속도와 정확도를 높이는 데 중요한 역할을 합니다. 여기서 디퓨전 모델은 데이터의 분포를 학습하여 새로운 샘플을 만들어내는 최신 생성 모델이며, 역문제는 원인을 알 때 결과를 구하는 일반적인 문제와 반대로 결과를 통해 원인을 추정하는 과정을 의미합니다. 또한 압축 감지는 필요한 측정 데이터를 줄이면서도 원본 정보를 복구하는 기법으로, 영상 획득 시간을 단축하는 핵심 개념입니다.

핵심 용어 풀이

이 보고서에 자주 나오는 전문 용어를 쉬운 뜻과 이 문서에서의 의미로 풀이했습니다.

• 확산 모델(Diffusion Models): 이 맥락에서는 노이즈를 점차 제거해 선명한 이미지를 만들어내는 생성형 AI 기술로, 의료 영상 복원 등에 활용된다.
• 역문제(Inverse Problems): 결과(촬영된 영상)를 통해 원인(원래의 신체 구조)을 추정하는 문제로, 의료 영상에서 불완전한 데이터로 원본을 복원하는 과정을 말한다.
• 3D 희소 뷰 CT(Sparse-view CT): 이 맥락에서는 방사선 조사 각도를 획기적으로 줄여 촬영한 적은 데이터로부터 3차원 단층 영상을 복원하는 기술을 의미한다.
• 압축 감지 MRI(Compressed Sensing MRI): 이 맥락에서는 촬영 시간을 단축하기 위해 데이터를 적게 수집하고도 AI로 원래의 선명한 MRI 영상을 복원하는 기술을 말한다.
• 모델 기반 반복 재구성(MBIR): 물리적 수학 모델을 이용해 반복적으로 계산하며 영상을 복원하는 전통적인 방식으로, 이 연구에서는 생성형 AI와 결합해 성능을 높였다.
• 매니폴드 제약 조건(Manifold constraints): AI가 이미지를 생성할 때 데이터가 실제 존재할 수 있는 범위(매니폴드)를 벗어나지 않도록 제한하여 오류를 줄이는 기술이다.
• 블라인드 역문제(Blind Inverse Problems): 이 맥락에서는 영상이 흐려지게 만든 원인(연산자)조차 알 수 없는 상태에서 원본 이미지를 복원하는 어려운 문제를 말한다.
• Classifier-free guidance(CFG): 이미지 생성 모델에서 텍스트 같은 조건을 더 강하게 반영하여 원하는 결과를 얻도록 유도하는 기술이다.
• 오프-매니폴드(Off-manifold): AI가 이미지를 생성할 때 실제 데이터가 존재하는 올바른 공간을 벗어나 왜곡된 결과를 만들어내는 현상을 말한다.
• 순방향 연산자(Forward Operator): 이 맥락에서는 원본 신호가 촬영 장비를 거쳐 관측 데이터(영상)로 변환되는 물리적 과정을 수학적으로 표현한 것이다.
• 베이지안 추론(Bayesian Inference): 새로운 관측 데이터와 기존의 지식(사전 확률)을 결합하여 원본 이미지를 추정하는 통계적 방법이다.
• 사후 분포(Posterior Sampling): 이 맥락에서는 관측된 데이터와 일치하는 가능한 결과들 중에서 하나를 샘플링하여 복원 이미지를 얻는 과정을 말한다.
• 데이터 일관성(Data Consistency): 복원된 이미지가 실제 촬영된 측정값과 물리적으로 모순 없이 일치하도록 만드는 제약 조건이다.
• D3IP(Deep Diffusion Image Prior): 이 맥락에서는 3차원 의료 영상 복원을 위해 학습된 모델을 새로운 데이터 환경에 빠르게 적응시키는 효율적인 기술을 의미한다.
• 기하학적 분해(Geometric Decomposition): 복잡한 대규모 문제를 기하학적 특성에 따라 여러 부분으로 나누어 처리함으로써 연산 속도를 높이는 방법이다.
• PSNR: 이미지 복원 성능을 평가하는 지표로, 수치가 높을수록 원본 이미지와의 잡음 차이가 적어 화질이 좋음을 의미한다.
• SSIM: 사람의 눈이 인지하는 구조적 유사성을 측정하는 지표로, 복원된 이미지가 원본과 얼마나 비슷하게 보이는지를 나타낸다.
• 자기회귀적(autoregressive): 이전 단계의 결과를 다음 단계의 입력으로 사용하여 순차적으로 데이터를 생성하는 방식이다.
• 메타데이터(Metadata): 이 맥락에서는 MRI 촬영 시 수집된 환자 정보나 촬영 조건 등의 부가 데이터로, 이를 활용해 복원 정확도를 높인다.
• 컨디셔닝(Conditioning): AI 모델이 원하는 결과를 생성하도록 특정 정보(예: 텍스트, 메타데이터)를 힌트로 제공하는 과정이다.
• 데이터 매니폴드(Data Manifold): 고차원 데이터 공간 안에서 실제 자연스러운 데이터들이 존재하는 좁은 영역을 의미한다.
• Trade-off: 이 맥락에서는 영상 복원의 속도를 높이면 정확도가 떨어지는 등, 두 가지 목표가 서로 충돌하는 상충 관계를 말한다.
• PnP-ADMM: 딥러닝 모델을 기존 수학적 최적화 알고리즘에 결합하여 이미지를 복원하는 대표적인 기존 방법론 중 하나이다.
• DDRM: 확산 모델을 이용해 역문제를 해결하는 초기 기존 방법론 중 하나로, 성능 비교의 대상이 된다.
• ACDC: 이 맥락에서는 확산 보정 기법을 통해 자기회귀적 생성 과정에서 발생하는 내용 불일치 문제를 해결하는 기술을 의미한다.

현황 보고서 — Hyungjin Chung 연구자의 연구 활동 분석

run_id: promising-author-65fd4a3b · 생성: 2026-08-06 06:00:00
소스: - · 분석 문서: 25건

Hyungjin Chung 연구자는 KAIST 바이오및뇌공학과 및 김재철 AI대학원 소속으로, 확산 모델(Diffusion Models)을 기반으로 한 의료 영상 재구성 및 역문제(Inverse Problems) 해결을 선도하는 연구자입니다. 그는 3D 희소 뷰 CT 재구성, 압축 감지 MRI, 블라인드 역문제 해결 등에서 기존 모델 기반 반복 재구성(MBIR)과 생성형 AI를 결합하여 획기적인 성능을 입증했습니다[1][8]. 최근에는 매니폴드 제약 조건을 통한 샘플링 품질 향상(Cfg++)과 3D 역문제의 효율적 적응(DDIP) 등 확산 모델의 속도와 정확도를 동시에 개선하는 핵심 알고리즘을 다수 제안하며 학계와 산업계에 큰 영향력을 미치고 있습니다[5][6].

1. 연구자 개요 및 프로필

Hyungjin Chung 연구자는 KAIST 바이오및뇌공학과 및 김재철 AI대학원 소속으로 활동하고 있으며, 확산 모델의 이론적 기초와 의료 영상 처리에의 응용을 전문으로 합니다[8]. 그의 연구 커리어는 생성 모델, 특히 확산 모델(Diffusion Models)을 이용한 역문제(Inverse Problems) 해결에 집중되어 있으며, MRI 및 CT와 같은 의료 영상 재구성 분야에서 깊이 있는 기여를 해왔습니다[4][8]. Jong Chul Ye 교수와의 협력을 통해 확산 모델을 의료 영상의 실제 과제에 적용하는 연구를 주도적으로 수행해 왔으며, 최근에는 3D 재구성, 블라인드 역문제, 그리고 다중 모달 생성 등으로 연구의 영역을 확장하고 있습니다[7][8][10].

2. 핵심 연구 성과 및 주요 논문

가장 대표적인 성과는 2D 확산 모델을 활용하여 3D 의료 영상 재구성 문제를 해결한 'Diffusion-MBIR'입니다. 이 연구는 기존 3D 모델의 높은 메모리 및 연산 비용 문제를 해결하기 위해, 사전 학습된 2D 확산 모델과 모델 기반 반복 재구성(MBIR) 아이디어를 결합하여 희소 뷰 CT(Sparse-view CT), 제한 각도 CT, 압축 감지 MRI 등의 과제에서 높은 품질의 재구성 결과를 달성했습니다[1][9]. 또한, 'Parallel diffusion models of operator and image' 연구에서는 순방향 연산자(Forward Operator)를 알 수 없는 블라인드 역문제(Blind Inverse Problems)를 해결하기 위해 연산자와 이미지에 대한 확산 사전(Prior)을 병렬로 구성하여 공동 최적화하는 방법을 제안했습니다[10]. 최근에는 'Cfg++'를 통해 기존의 Classifier-free guidance(CFG) 방식이 겪는 오프-매니폴드(Off-manifold) 문제를 지오메트릭 보정으로 해결하여, 작은 가이드 스케일에서도 효과적인 샘플링이 가능함을 입증했습니다[5].

3. 연구 방법론 및 기술적 특징

연구의 핵심 방법론은 확산 모델을 역문제 해결을 위한 강력한 생성 사전(Generative Prior)으로 활용하는 것입니다. 이를 위해 베이지안 추론(Bayesian Inference)의 원리를 적용하여 사후 분포(Posterior Sampling)로부터 데이터를 샘플링하며, 이 과정에서 데이터 일관성(Data Consistency) 단계를 반복적으로 수행하여 측정값과의 부합성을 보장합니다[4][17]. 기술적 독창성으로는 3D 측정치에 특화된 효율적인 적응 방법인 'D3IP(Deep Diffusion Image Prior)'를 제안하여, 학습 분포와 테스트 분포 간의 차이가 있을 때 사전을 빠르게 적응시키고 3D 재구성의 일관성을 확보했습니다[6]. 또한, 'Decomposed diffusion sampler'와 같은 기술을 통해 기하학적 분해(Geometric Decomposition)를 수행하여 대규모 역문제 해결 속도를 획기적으로 가속화하는 특징을 보입니다[11][14].

4. 산업 및 학계적 영향력

Hyungjin Chung 연구자는 확산 모델 및 의료 영상 분야의 주요 저널과 컨퍼런스에 다수의 논문을 게재하며 학계의 인정을 받고 있습니다. 특히 'Review of diffusion models: Theory and applications'와 같은 리뷰 논문을 통해 확산 모델의 이론적 진화와 응용 분야를 포괄적으로 정리하여, 해당 분야의 연구자들에게 중요한 이정표를 제공했습니다[8]. 그의 연구는 단순한 이론적 제안을 넘어, 실제 의료 영상 장비의 획득 시간 단축 및 화질 개선에 기여할 수 있는 잠재력을 가지고 있어 산업계의 관심도 높습니다. Jinho Chang 등 다수의 연구자와의 협력 네트워크를 통해 연구의 폭을 넓히고 있으며, 제안된 알고리즘들은 다양한 벤치마크에서 기존 방법론들(예: DDRM, PnP-ADMM)을 압도하는 성능(PSNR, SSIM)을 보고하며 기술적 우위를 입증했습니다[5][17].

5. 최신 연구 동향 및 트렌드 분석

최근 3~5년 사이의 연구 활동을 보면, 단순한 2D 이미지 복원을 넘어 3D 역문제, 블라인드 역문제, 그리고 다중 모달 생성으로 관심사가 확장되고 있습니다. 특히 'ACDC(Autoregressive coherent multimodal generation using diffusion correction)' 연구에서는 확산 보정(Diffusion Correction) 기법을 통해 자기회귀적(autoregressive) 다중 모달 생성의 일관성을 향상시키는 등 생성형 AI의 최신 트렌드인 멀티모달 생성과 결합하고 있습니다[7]. 또한, 'ContextMRI' 연구에서와 같이 메타데이터(Metadata)를 조건(Condition)으로 활용하여 압축 감지 MRI의 성능을 높이는 등, 모델이 주어진 문맥(Context)을 효과적으로 이해하고 활용하도록 만드는 방향으로 연구가 진행되고 있습니다[3]. 이는 최근 LLM(대규모 언어 모델)과 생성형 AI에서 강조되는 컨디셔닝(Conditioning) 및 적응(Adaptation) 기술과 맥락을 같이합니다.

6. 연구의 한계 및 향후 전망

기존 확산 모델 기반 역문제 해결 방법론은 수천 단계의 반복적인 샘플링 과정이 필요하여 계산 비용이 높다는 근본적인 한계가 있었습니다[19]. Chung 연구자는 이를 해결하기 위해 'Come-closer-diffuse-faster'와 같은 연구를 통해 가우시안 노이즈에서 시작하는 대신 더 나은 초기화를 사용하여 샘플링 단계를 획기적으로 줄이는 방법을 제시하는 등 속도 문제를 개선해 왔습니다[19]. 또한, 기존 솔버들이 데이터 매니폴드(Data Manifold)를 벗어나 오류가 누적되는 문제를 'Manifold constraints'를 통해 보정하는 등 정확도와 신뢰성을 높이는 노력을 지속해 왔습니다[18]. 향후에는 이러한 속도와 정확도 간의 상충 관계(Trade-off)를 더욱 정교하게 조절하고, 블라인드 역문제나 3D/4D 의료 영상과 같은 더 복잡한 실제 과제에 확산 모델을 실시간으로 적용할 수 있는 기술들이 발전할 것으로 전망됩니다[2][10].

참고문헌 (25건)

[1] Diffusion-MBIR: 3D sparse view CT reconstruction from 2D diffusion (google_scholar, 2026) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 디퓨전 모델은 고품질 이미지 생성과 역문제 해결에 탁월하지만, 3차원 의료 영상 복원에는 메모리와 연산 비용이 너무 커 적용하기 어렵습니다. 이 논문은 2차원 모델을 활용해 3차원 의료 영상을 효율적이고 정확하게 복원하는 방법을 제안합니다. - 방법: 기존의 모델 기반 반복 복원 기법과 디퓨전 모델을 결합했습니다. 학습된 2차원 디퓨전 모델에 나머지 방향의 정보를 추가해 3차원 전체에 걸쳐 일관된 복원이 가능하도록 만들었습니다. - 핵심 결과: 제안된 방법은 일반 GPU에서도 작동하며, 극단적인 경우(예: 2개 뷰의 3차원 단층 촬영)에서도 높은 충실도와 정확도로 복원해 최신 성능을 기록했습니다. 또한 학습 데이터와 전혀 다른 데이터에 대해서도 뛰어난 일반화 성능을 보였습니다.

[2] Diffusion models for inverse problems (google_scholar, 2025) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 이 논문은 불완전한 관측 데이터로부터 원본 신호를 복원하는 '역문제'를 확산 모델을 통해 해결하는 방법을 다룹니다. 이는 노이즈가 섞인 데이터에서 실제와 유사한 고품질 해를 찾아야 하므로 과학 및 창의적 분야에서 매우 중요합니다. - 방법: 확산 모델이 학습한 데이터의 분포를 '사전 확률(우선 지식)'로 활용하여, 추가적인 훈련 없이도 다양한 역문제에 적용 가능한 범용 솔버를 제안합니다. 수식적으로는 관측값과 모델 예측값 간의 오차를 최소화하는 방식으로 최적의 파라미터를 찾아 해를 복원합니다. - 핵심 결과: 제안된 방법들은 계산 속도와 복원 정확도 사이에 상충 관계가 있음을 보여주며, 이에 따라 적용 분야의 목적에 맞는 적절한 방법을 선택해야 함을 강조합니다. 이러한 기술들은 다양한 과학 및 창의적 응용 분야에서 강력하고 유연한 도구로 활용될 수 있음을 확인했습니다.

[3] ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning (google_scholar, 2025) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 이 논문은 MRI 촬영 시 수집된 부가 정보(메타데이터)를 활용해, 적은 데이터로도 선명한 MRI 이미지를 복원하는 문제를 해결하고자 합니다. 이는 기존 방식보다 더 정확한 진단이 가능한 고품질 이미지를 빠르게 얻는 데 중요한 의미가 있습니다. - 방법: MRI 촬영 정보를 텍스트로 바꾸어 AI 모델(확산 모델)에 추가 정보로 함께 학습시키는 방식을 사용했습니다. 이를 통해 AI가 메타데이터를 이해하고, 이를 바탕으로 불완전한 데이터에서 원본에 가까운 이미지를 추정하도록 만들었습니다. - 핵심 결과: 제안된 방법은 기존 방식(DDS†)보다 화질 수치(PSNR)가 더 높았으며, 특히 4배 줄인 데이터에서는 최대 약 32.6, 8倍 줄인 데이터에서는 약 29.8을 기록했습니다. 또한 실제 뇌와 무릎 이미지에서 메타데이터에 맞는 해부학적 구조를 더 정확하게 복원함을 시각적으로 확인했습니다.

[4] Diffusion Models for Inverse Problems in Medical Imaging (google_scholar, 2025) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 의료 영상(MRI, CT 등)에서 불완전한 데이터로부터 원래 이미지를 복원하는 역문제를 해결하는 것이 중요합니다. 이 논문은 확산 모델을 활용해 이 문제를 어떻게 풀 수 있는지를 다룹니다. - 방법: 확산 모델은 여러 노이즈 수준에서 노이즈를 제거하는 방식을 학습하여, 데이터의 사전 확률 분포를 모델링합니다. 이를 베이지안 추론 원리를 이용해 역문제를 해결하는 사후 샘플링 방식으로 적용합니다. - 핵심 결과: 이 논문은 확산 모델의 원리를 설명하고, MRI와 CT 재구성 작업에서 역문제를 해결하는 방법을 연구했습니다. 구체적인 수치나 결과는 제공되지 않았습니다.

[5] Cfg++: Manifold-constrained classifier free guidance for diffusion models (google_scholar, 2024) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 기존의 널리 쓰이는 이미지 생성 기법인 CFG가 샘플링 과정에서 데이터의 올바른 공간을 벗어나는 문제를 겪고 있어, 이를 해결하여 더 정확한 결과를 얻는 것이 중요했습니다. - 방법: 잡음을 제거하는 단계에서 기존 방식 대신 무조건부 잡음 예측을 사용하여 데이터의 기하학적 범위를 벗어나지 않도록 제약하는 간단하지만 효과적인 수정 방법을 제안했습니다. - 핵심 결과: 이 방법은 기존 CFG가 겪던 공간 벗어남 문제를 완화하여, 더 해석 가능하고 정확한 잠재 표현을 얻을 수 있음을 실험을 통해 보였습니다.

[6] Deep diffusion image prior for efficient ood adaptation in 3d inverse problems (google_scholar, 2024) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 최근의 생성 모델을 이용한 역문제 해결 방식은 훈련 데이터와 실제 데이터가 다를 때 성능이 떨어지는 문제가 있어, 이를 보완하는 방법이 필요합니다. - 방법: 기존의 적응 방법을 확장하여 '딥 디퓨전 이미지 프라이어(DDIP)'라는 프레임워크를 제안하고, 3D 측정 데이터에 특화된 효율적인 적응 방법(D3IP)을 개발했습니다. - 핵심 결과: 제안한 방법은 기존 방식보다 훨씬 빠르게 처리하면서도 더 우수한 성능을 보여주며, 일관된 3D 재구성이 가능함을 입증했습니다.

[7] Acdc: Autoregressive coherent multimodal generation using diffusion correction (google_scholar, 2024) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 이 논문은 여러 단계에 걸쳐 이미지나 비디오를 순서대로 만들 때 발생하는 내용의 불일치(오류 누적) 문제를 해결하고자 합니다. 이는 이야기가 자연스럽게 이어지는 멀티모달 생성을 위해 중요합니다. - 방법: 이전 문맥을 기억하는 모듈로 글을 수정하고, 확산 모델을 이용해 이미지를 다시 한번 정교하게 다듬는 'ACDC' 방법을 제안합니다. 이를 통해 글과 그림의 흐름을 일관되게 만듭니다. - 핵심 결과: 제안된 방법은 기존 모델 대비 프레임 간 일관성과 이미지 품질 지표를 유의미하게 향상시켰으며, 실제 결과에서도 주인공의 모습이 자연스럽게 이어지는 것을 확인했습니다.

[8] Review of diffusion models: Theory and applications (google_scholar, 2024) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 이 논문은 딥러닝 생성 모델 중 최근 각광받는 '디퓨전 모델(확산 모델)'의 이론적 기초와 다양한 응용 분야를 포괄적으로 정리하고 설명하는 것을 목표로 합니다. 이 모델이 기존 방식보다 안정적이고 뛰어난 성능을 보이는 이유를 분석하여, 관련 연구자들에게 체계적인 가이드를 제공하는 것이 중요합니다. - 방법: 디퓨전 모델이 데이터에 점진적으로 노이즈를 더하는 과정(순방향)을 수학적으로 기술하고, 이를 반대로 수행하여 노이즈에서 원본 데이터를 복원하는 과정(역방향)을 신경망으로 학습하는 핵심 원리를 설명합니다. 또한, 단순한 이미지 생성을 넘어 3D, 비디오 등 다양한 형태의 데이터로 확장할 수 있는 변형 모델과 기법들을 소개합니다. - 핵심 결과: 디퓨전 모델이 기존 생성 모델(예: GAN)이 가진 문제점을 해결하여 이미지, 3D 자산, 비디오 등에서 매우 높은 품질의 데이터를 안정적으로 생성할 수 있음을 입증했습니다. 이를 통해 이 모델이 비전 분야의 '기초 모델'로 자리 잡았으며, 이미지 편집이나 역문제 해결 등 다양한 실무 과제에 효과적으로 활용될 수 있음을 보여주었습니다.

[9] Solving 3d inverse problems using pre-trained 2d diffusion models (google_scholar, 2023) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 3차원 의료 영상을 복원하는 문제는 데이터가 부족하거나 각도가 제한된 경우 어렵지만, 기존 방식은 메모리와 연산 비용이 너무 많이 들어 실제로 사용하기 어렵습니다. 이 논문은 이러한 3차원 역문제를 효율적이고 정확하게 푸는 것이 중요하다고 보고, 2차원 모델을 활용해 해결하고자 했습니다. - 방법: 이미 학습된 2차원 확산 모델을 사용하고, 나머지 방향의 정보는 전통적인 알고리즘으로 보완하여 3차원 전체의 영상을 일관되게 복원하는 방법을 제안했습니다. 이를 통해 복잡한 3차원 모델을 따로 학습시키지 않고도 일반 그래픽카드 하나로도 고품질의 결과를 얻을 수 있습니다. - 핵심 결과: 제안한 방법은 데이터가 부족한 상황에서도 기존 방법보다 월등히 높은 화질 수치(PSNR 34.06, SSIM 0.960)를 기록했으며, 학습에 쓰이지 않은 전혀 다른 데이터에 대해서도 정확한 3차원 구조를 복원하는 성능을 보였습니다.

[10] Parallel diffusion models of operator and image for blind inverse problems (google_scholar, 2023) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 이 논문은 앞으로의 변환 과정(연산자)을 모르는 상태에서 원래 이미지를 복원하는 '맹목 역문제'를 해결하는 방법을 제안합니다. 기존 방법은 연산자를 알 때만 잘 작동했으나, 이를 모르는 상황에서도 적용할 수 있는지 탐구하는 것이 중요합니다. - 방법: 연산자를 위한 확산 모델을 추가로 만들어, 이미지와 연산자를 동시에 추정하는 방식을 사용했습니다. 두 모델이 병렬로 역확산 과정을 진행하며, 중간 단계의 정보를 이용해 서로를 안내하며 최적화합니다. - 핵심 결과: 흐릿한 이미지를 선명하게 하는 '맹목 디블러링'과 대기 난류를 통한 이미지 복원 실험에서 최고 수준의 성능을 보였습니다. 제안된 방법은 연산자의 형태만 알면 다양한 맹목 역문제에 유연하게 적용할 수 있음을 입증했습니다.

[11] Decomposed diffusion sampler for accelerating large-scale inverse problems (google_scholar, 2023) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 이 논문은 MRI나 CT 같은 의료 영상 복원 작업에서 기존 딥러닝 모델들이 너무 많은 계산 단계를 거쳐 느린 문제를 해결하려 합니다. 이를 해결하여 병원이나 연구에서 영상을 훨씬 빠르고 정확하게 얻을 수 있게 하는 것이 중요합니다. - 방법: 복잡한 확산 모델의 계산 과정을 여러 개로 나누어 처리하는 '분해된 확산 샘플러'라는 새로운 방법을 제안했습니다. 이를 통해 불필요한 반복 계산을 줄이고, 영상 데이터의 물리적 특성을 잘 반영하여 효율적으로 결과를 도출합니다. - 핵심 결과: 제안된 방법은 기존 최신 모델들보다 훨씬 적은 계산 단계(예: 49번 vs 4000번)를 사용하면서도 더 높은 화질(PSNR/SSIM)을 달성했습니다. MRI와 CT 실험 모두에서 빠르고 정확한 복원 성능을 입증했습니다.

[12] Direct diffusion bridge using data consistency for inverse problems (google_scholar, 2023) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 디퓨전 모델을 이용한 역문제 해결 방법은 성능이 좋지만, 속도가 느린 단점이 있습니다. 이 논문은 기존 방법들이 노이즈에서부터 시작해야 하는 속도 문제를 해결하는 것이 중요하다고 봅니다. - 방법: 기존의 여러 방법들을 '직접 디퓨전 브리지(DDB)'라는 하나의 개념으로 통합했습니다. 그리고 데이터 일관성을 보장하지 못하는 문제를 해결하기 위해, 추가 학습 없이 데이터 일관성을 강제하는 수정된 추론 방법(CDDB)을 제안했습니다. - 핵심 결과: 제안한 방법은 인지 및 왜곡 지표 모두에서 기존 방법보다 우수한 성능을 보여 최고 수준의 결과를 달성했습니다.

[13] Prompt-tuning latent diffusion models for inverse problems (google_scholar, 2023) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 이 논문은 흐릿하거나 손상된 이미지를 원래의 선명한 상태로 복원하는 '역문제'를 해결하는 방법을 제안합니다. 이는 화질 개선이나 결함 제거 등 다양한 분야에서 중요한 응용 가치를 가지며, 기존 방법보다 더 정확하고 효율적인 복원을 목표로 합니다. - 방법: 이미지를 직접 다루는 대신 압축된 데이터 공간에서 작동하는 '잠재 확산 모델'을 사용하고, 복원 과정을 안내하는 '프롬프트'를 자동으로 조정하는 기법을 도입했습니다. 이를 통해 복잡한 계산 없이도 원본 이미지에 가까운 고품질 결과를 얻을 수 있도록 최적화했습니다. - 핵심 결과: 제안된 방법은 8배 초해상도, 흐림 제거, 결함 채우기 등 다양한 복원 작업에서 기존 방법들보다 월등히 우수한 화질(FID, LPIPS 지표 기준)을 보였습니다. 특히 시각적 비교에서 더 선명한 디테일과 적은 인위적 잡음을 확인하였으며, 더 빠른 단계에서 고품질 이미지를 생성하는 성과를 보였습니다.

[14] Fast diffusion sampler for inverse problems by geometric decomposition (google_scholar, 2023) · 원문

[15] Diffusion posterior sampling for general noisy inverse problems, 2024 (google_scholar, 2023) · 원문

[16] Parallel diffusion models of operator and image for blind inverse problems. IEEE (google_scholar, 2023) · 원문

[17] Diffusion posterior sampling for general noisy inverse problems (google_scholar, 2022) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 이 논문은 노이즈가 섞인 불완전한 측정값으로부터 원래의 선명한 이미지를 복원하는 어려운 문제를 해결하려 합니다. 이는 흐릿하거나 손상된 사진을 복구하는 등 다양한 분야에서 중요하게 활용될 수 있습니다. - 방법: 확산 모델이라는 이미지 생성 기술을 활용하여, 주어진 측정값과 일치하는 결과를 반복적으로 찾아내는 방법을 제안했습니다. 이 방법은 선형 문제뿐만 아니라 비선형 문제에서도 수학적으로 최적해에 수렴하도록 설계되었습니다. - 핵심 결과: 제안된 방법은 여러 복원 작업에서 기존 방법들보다 더 원본에 가까운 이미지를 만들어냈으며, 특히 반복 횟수가 늘어날수록 오차가 줄어드는 우수한 성능을 보였습니다.

[18] Improving diffusion models for inverse problems using manifold constraints (google_scholar, 2022) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 최근 확산 모델을 이용해 다양한 역문제를 해결하려는 시도가 있었지만, 기존 방식들은 데이터의 본질적인 구조를 벗어나 오류가 쌓여 성능이 좋지 않은 문제가 있었습니다. 이를 해결하여 이미지 복원 등의 결과를 더 개선하는 것이 중요합니다. - 방법: 기존 방식이 샘플링 과정에서 데이터가 속한 공간(매니폴드)에서 벗어난다는 점을 분석하고, 이를 다시 올바른 위치로 잡아주는 추가적인 보정 항을 제안했습니다. 이 간단한 보정 방식을 기존 풀이법과 함께 사용하여 반복 과정이 데이터 공간에 가깝게 유지되도록 했습니다. - 핵심 결과: 제안한 방법은 이론적으로나 실제 실험에서 기존 방법보다 성능이 뛰어남을 입증했으며, 이미지 결함 제거, 색칠, 희소 뷰 CT 스캔 등 다양한 응용 분야에서 우수한 결과를 보였습니다.

[19] Come-closer-diffuse-faster: Accelerating conditional diffusion models for inverse problems through stochastic contraction (google_scholar, 2022) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 디퓨전 모델은 이미지 생성에서 뛰어난 성능을 보이지만, 수천 번의 반복 단계가 필요해 속도가 느리다는 치명적인 단점이 있습니다. 이 논문은 이러한 느린 샘플링 속도를 개선하여 역문제(예: 초해상도, 복원)에서도 효율적으로 사용할 수 있는지를 다룹니다. - 방법: 순수 가우시안 잡음에서 시작하는 기존 방식 대신, 더 나은 초기화를 통해 시작해 역방향 디퓨전의 단계 수를 크게 줄이는 방법을 제안합니다. 이 접근 방식은 확률적 차분 방정식의 수축 이론으로 정식화되며, 역방향 디퓨전과 데이터 일치 단계를 번갈아 적용하는 전략을 사용합니다. - 핵심 결과: 초해상도, 이미지 인페인팅, 압축 감지 MRI 실험에서 제안된 방법이 기존 최첨단 성능을 유지하면서도 샘플링 단계를 획기적으로 줄여 훨씬 빠르게 이미지를 복원할 수 있음을 보였습니다.

[20] MR image denoising and super-resolution using regularized reverse diffusion (google_scholar, 2022) · 원문

이 논문 알아보기- 이 논문이 푼 문제: MRI 스캔 이미지는 잡음이 많아 진단을 방해하므로, 이를 제거하는 기술이 중요합니다. 기존 딥러닝 방식은 이미지가 흐릿해지거나 실제 상황의 복잡한 잡음에 잘 대처하지 못하는 문제가 있었습니다. - 방법: 이 논문은 '역확산 샘플링'이라는 새로운 방식을 사용하여 잡음을 제거합니다. 이 방식은 기존 방식의 단점을 극복하고, 다양한 잡음 환경에서도 더 선명한 이미지를 만들어냅니다. - 핵심 결과: 이 방법은 무릎 MRI로만 학습했음에도, 실제 간 MRI 데이터에서도 복잡한 잡음을 효과적으로 제거하는 성능을 보였습니다.

[21] Score-based diffusion models for accelerated MRI (google_scholar, 2021) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 이 논문은 MRI 영상을 더 빨리 찍기 위해 데이터를 적게 수집해도 원래와 같은 영상을 복원하는 문제를 해결하려 합니다. 이는 환자의 불편을 줄이고 검사 시간을 단축하는 데 중요한 의미가 있습니다. - 방법: 데이터의 분포를 학습한 모델을 이용해, 주어진 측정값에 맞는 조건부 분포에서 영상을 샘플링하는 방법을 제안합니다. 학습 단계에서는 노이즈 제거 점수 매칭으로 점수 함수를 학습하고, 추론 단계에서는 수치적 미분 방정식 풀이와 데이터 일관성 단계를 반복하여 영상을 복원합니다. - 핵심 결과: 제안된 방법은 실수 크기 영상만으로 학습했음에도 복소수 데이터를 복원할 수 있었고, 병렬 영상으로도 확장 가능했습니다. 또한 다양한 샘플링 방식과 신체 부위에 대해 우수한 일반화 성능을 보였습니다.

[22] Missing cone artifact removal in ODT using unsupervised deep learning in the projection domain (google_scholar, 2021) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 광학 회절 단층촬영(ODT)은 3차원 굴절률 분포를 보여주지만, 촬영 각도 제한으로 인해 수직 방향 해상도가 매우 낮은 '결실 원뿔(missing cone)' 문제가 있습니다. 이를 해결해 수평면과 수직 방향 모두에서 선명한 3차원 이미지를 얻는 것이 중요합니다. - 방법: 지도 학습 없이 결측된 투영 데이터의 확률 분포를 학습하는 비지도 딥러닝 프레임워크를 제안했습니다. 최적 수송(optimal transport) 기반의 CycleGAN을 사용해 빠진 각도의 정보를 예측하고 보완합니다. - 핵심 결과: 제안된 방법이 ODT 데이터의 결실 원뿔 인공물을 유의미하게 해결함을 실험 결과를 통해 보여주었습니다.

[23] Two-stage deep learning for accelerated 3D time-of-flight MRA without matched training data (google_scholar, 2021) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 혈관을 보는 데 쓰이는 TOF-MRA는 3D 촬영이라 시간이 오래 걸려 속도를 높여야 하지만, 기존 딥러닝 방식은 학습용 정답 데이터를 구하기 어렵다는 문제가 있습니다. 정답 없이도 빠르고 선명하게 복원하는 것이 중요합니다. - 방법: 정답 데이터가 없어도 학습하는 '사이클GAN' 이론을 확장해, 두 단계로 나누어 복원하는 방법을 제안했습니다. 먼저 관상면 방향으로 복원한 뒤, 축면 방향에서 다시 한번 정교하게 다듬는 방식입니다. - 핵심 결과: 제안된 방법으로 정답 데이터 없이도 언더샘플링된 TOF-MRA를 고품질로 복원할 수 있음을 보였습니다.

[24] Reusability report: Feature disentanglement in generating a three-dimensional structure from a two-dimensional slice with slicegan (google_scholar, 2021) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 이 논문은 2차원 슬라이스에서 3차원 구조를 생성할 때 특징을 분리하여 재사용성을 높이는 문제를 다룹니다. 이는 데이터의 다양한 속성을 독립적으로 제어할 수 있게 하여 생성 과정의 유연성을 높이는 데 중요합니다. - 핵심 결과: 추론 단계에서 특징 보간이 가능함을 보여주었으며, 예를 들어 작은 입자 크기 데이터와 함께 작은 규모의 매개변수 α를 사용하고, 더 큰 규모의 α를 결합하여 코드 벡터를 생성할 수 있음을 확인했습니다.

[25] Simultaneous super-resolution and motion artifact removal in diffusion-weighted MRI using unsupervised deep learning (google_scholar, 2021) · 원문

이 논문 알아보기- 이 논문이 푼 문제: 확산 가중 MRI는 예후 판단에 유용하지만, 영상 품질이 낮아 임상 활용에 어려움이 있습니다. 이 논문은 해상도를 높이고 움직임으로 인한 왜곡을 동시에 제거하여 영상 품질을 개선하는 문제를 다룹니다. - 방법: 지도 학습 없이 네트워크를 훈련시켜 왜곡을 줄이고 해상도를 높입니다. 테스트 단계에서는 부트스트랩 표본 추출과 집계를 사용해 움직임 왜곡을 억제하며, 표본 추출 비율을 조절해 왜곡 보정과 해상도 사이의 균형을 조절합니다. - 핵심 결과: 시뮬레이션과 실제 환자 데이터를 통해 제안된 방법이 기존 최신 방법보다 우수함을 입증했습니다.