사전 학습된 확산 모델(Pretrained diffusion models)은 매우 부정치(ill-posed)한 3D 컴퓨터 단층 촬영(CT) 역문제(inverse problems)를 해결하는 데 있어 인상적인 잠재력을 보여주지만, 추론(inference) 과정에서 상당한 계산 오버헤드(computational overhead)가 발생합니다. 또한, 기존의 균일한 타임스텝 스케줄(uniform timestep schedules)은 역 조건부 확산 확률 미분 방정식(reverse conditional diffusion stochastic differential equation)의 비균일한 진화를 포착하지 못하며, 이로 인해 상당한 절단 오차(truncation errors)를 유발합니다. 이러한 한계를 극복하기 위해, 우리는 개선된 타임스텝 스케줄링을 위한 플러그 앤 플레이(plug-and-play) 프레임워크인 Tracing the Oracle (TrO)을 제안합니다. 구체적으로, 우리는 소수의 샘플에 대해 밀도 있게 샘플링된 수치 적분 궤적(numerical integration trajectories)을 참조 오라클(reference oracle)로 취급합니다. 최적화된 스케줄은 동적 계획법(dynamic programming)을 활용하여 소수 단계 근사치(few-step approximation)와 오라클 사이의 누적 오차를 전역적으로 최소화함으로써 추출됩니다. 이 메커니즘은 절단 오차에 매우 취약한 핵심 진화 단계에 제한된 샘플링 단계를 정밀하게 할당합니다. 다양한 3D CT 재구성 작업에 걸친 AAPM 데이터셋에서의 광범위한 실험을 통해, 최첨단 3D CT 재구성 방법인 DDS와 결합했을 때 우리의 최적화된 타임스텝이 기존의 휴리스틱 스케줄(heuristic schedules)에 비해 재구성 충실도(reconstruction fidelity)와 계산 효율성을 크게 향상시킨다는 것을 입증하였으며, 특히 10단계 이하의 엄격한 예산 조건 하에서 그 효과가 더욱 두드러졌습니다.