신뢰할 수 있는 생성적 역문제(Generative Inverse Problems)를 위한 측정 기하학 및 설계

생성 모델(Generative models)이 역문제(inverse problems)를 위한 사전 정보(priors)로 점점 더 많이 사용되고 있지만, 현실적인 이미지를 생성하는 능력은 근본적인 신뢰 문제를 야기합니다. 즉, 그럴듯한 재구성(reconstruction) 결과가 측정값(measurements)에 의해 뒷받침되는 것인지, 아니면 관찰되지 않은 방향을 따라 사전 정보(prior)에 의해 채워진 것인지 구분하기 어렵다는 점입니다. 이러한 구분은 스캔 시간, 선량(dose), 교정(calibration) 제약 조건 하에 획득 연산자(acquisition operators)가 설계되는 의료 영상 분야에서 특히 중요합니다. 본 연구에서는 측정 기하학(measurement-geometry) 관점에서 생성적 역문제를 연구합니다. 핵심 질문은 고정된 측정 연산자가 생성적 사전 정보(generative prior) 하에서 그럴듯한 인접 이미지들을 구별할 수 있는지, 그리고 이러한 관계가 더 나은 측정을 안내할 수 있는지 여부입니다. 우리는 연산자가 사전 정보와 관련된 접방향(tangent directions)을 얼마나 잘 관찰하는지를 정량화하는 국소 측정-매니폴드 호환성 척도(local measurement-manifold compatibility measure)를 도입합니다. 국소 정칙성(local regularity) 가정 하에, 우리는 이 수치가 재구성 오차(reconstruction error)의 안정적인 부분을 제어하는 반면, 생성적 사전 정보는 매니폴드 외 편차(off-manifold drift)를 제어한다는 것을 증명합니다. 이러한 최악-방향 인증(worst-direction certificate)은 전체적인 국소 부피 보존(local volume preservation)에 기반한 실용적인 고정 및 순차적 획득 규칙을 유도하며, 여기에는 샘플링 정책(sampling policy)을 학습하지 않고도 테스트 시점에 측정을 조정하는 사후-클라우드 설계(posterior-cloud design)가 포함됩니다. 행 샘플링(row-sampling), 단층 촬영(tomographic), MR 획득 설정 전반에 걸쳐, 제안된 점수들은 실패 모드를 예측하고, 측정으로 유도된 환각(hallucinations)을 설명하며, 더 나은 샘플링을 안내합니다. fastMRI 데카르트 샘플링(Cartesian sampling)에서, 사후-클라우드 측정 설계는 가변 밀도(variable-density) 및 포아송 유사 마스크(Poisson-like masks)를 포함하여 강력한 비학습형 ACS 보존 베이스라인(ACS-preserving baselines)보다 성능을 개선합니다.