선형 역문제(Linear Inverse Problems)를 위한 딥 생성 모델(Deep Generative Models)에서의 내재적

요약

본 논문은 의료 영상 및 과학적 발견과 같은 고위험 애플리케이션에서 역문제의 사후 추론에 사용되는 딥 생성 모델의 한계를 다룹니다. 특히, 해석하기 어려운 사후 불확실성 속에서 내재적 모호성을 구조적으로 분해하는 '캐스케이드 공식화(Cascade Formulation)'를 제안합니다. 이 방법은 모델 재구성 품질만으로는 알 수 없는 실패 모드를 드러내는 질적 진단 및 시뮬레이션 기반 보정을 가능하게 합니다.

핵심 포인트

• 딥 생성 모델을 역문제의 사후 추론에 활용할 때, 사후 불확실성 분석이 복잡하다는 문제점을 제기합니다.
• 제안된 '캐스케이드 공식화(Cascade Formulation)'를 통해 사후 불확실성에서 내재적 모호성을 구조적으로 분해하는 방법을 제시합니다.
• 이 접근법은 모델의 재구성 품질만으로는 파악할 수 없는 실패 모드를 드러내는 질적 진단 및 시뮬레이션 기반 보정을 가능하게 합니다.
• 가우시안 예시, 가속 MRI, EEG 소스 영상 등 다양한 실제 데이터를 통해 방법론을 검증하고 적용했습니다.