광혈류 측정(Photoplethysmography, PPG)을 통한 정확한 심박출량(Cardiac Output, CO) 추정은 비침습적인 혈역학적 모니터링을 위해 유망하지만, CO가 심장 기능과 혈관 긴장도(Vascular tone)에 의해 공동으로 결정되기 때문에 여전히 어려운 과제로 남아 있습니다. 기존의 특징 기반(Feature-based) 모델들은 생리학적으로 의미 있는 PPG 기술자(Descriptors)를 사용하지만, 정확한 맥박 검출에 의존하며 잠재적인 시간적 관계를 놓칠 수 있습니다. 반면, 완전한 엔드투엔드(End-to-end) 딥러닝 모델은 가공되지 않은(Raw) PPG로부터 직접 학습하지만, 기존에 확립된 PPG 유도 사전 정보(Prior information)를 충분히 활용하지 못하는 경우가 많습니다. 본 논문에서는 짧고 고정된 길이의 PPG 세그먼트로부터 CO를 추정하기 위한 사전 지식 가이드 기반 이중 뷰 딥러닝 모델인 Cross-View Attention Fusion Network (CVAF-Net)를 소개합니다. CVAF-Net은 가공되지 않은 PPG를 시간적 뷰(Temporal view)로, 특징 시퀀스 맵(Feature Sequence Map, FSM)을 구조화된 사전 지식 가이드 뷰(Prior-guided view)로 처리하며, 교차 뷰 어텐션(Cross-view attention)을 통해 두 표현(Representations)을 융합합니다. 이 모델은 세 가지 데이터셋인 시뮬레이션된 맥파(3323명), 혈관 수축 유발(79명), 휴식/사이클링 활동(10명)에서 추출한 5초, 15초, 30초 세그먼트를 사용하여 독립적으로 평가되었으며, 다양한 머신러닝 및 딥러닝 벤치마크와 비교되었습니다. CVAF-Net은 대부분의 벤치마크 방법을 능가하였고, 시뮬레이션 데이터에서 평균 절대 오차(Mean Absolute Error, MAE) 0.19 L/min (MAPE: 3.95%)를 기록하고 실제 환경에서 높은 정확도(최소 MAE: 1.20 L/min)를 달성함으로써 최첨단(State-of-the-art) Transformer 기반 모델과 대등한 성능을 보여주었습니다. 중요한 점은, CVAF-Net이 선도적인 Transformer 기반 모델과 비교하여 연산량(FLOPs)을 12배 감소시켰다는 것입니다. 타당성 분석(Plausibility analysis) 결과, 연령($ρ= -0.274$), 심박수($ρ= 0.894$), 전신 혈관 저항($ρ= -0.740$)과 예상되는 상관관계를 보이며 생리학적으로 일관된 CO 추정치를 나타냈습니다. 이러한 결과는 CVAF-Net이 연속적인 웨어러블 기반 CO 모니터링을 위한 정확하고, 계산 효율적이며, 일반화 가능한 접근 방식을 제공함을 시사합니다.