다중 스냅샷 스파이크 디컨볼루션 문제를 연구한다. 목표는 여러 스냅샷에 걸쳐 알려진 점 확산 함수(PSF)와의 노이즈가 섞인 합성곱으로부터 희소 임펄스의 위치를 복원하는 것이다. 진폭을 폐형식으로 제거하는 변수 투영(variable projection) 공식화를 채택하여, 과제를 스파이크 위치만에 대한 비볼록 최소자승 문제로 축소한다. 이 공식화를 스파이크 디컨볼루션의 변수 투영 공식화(VarProSD)라고 부른다. VarProSD 목적함수의 볼록성 영역에 대한 명시적 특성화를 PSF의 핵심 특성인 전력 스펙트럼 밀도와 매끄러움(smoothness)으로 표현하여, 샘플링 대역폭과 스파이크 분리가 국소 기하에 미치는 영향을 밝힌다. 이 영역 내에서 확률적 노이즈 하에 스냅샷 수에 대한 추정량의 일치성(consistency)을 확립하고, 역사상(inverse map)의 국소 리프시츠(Lipschitz) 성질을 통해 적대적 노이즈 하에서 보완적이고 더 날카로운 오차 경계를 도출한다. 초기화가 해당 영역 내에서 수행될 때 경사하강법의 국소 수렴 보장을 추가로 확립한다. 분석 전반에서 Beurling–Selberg 극값 근사가 핵심 역할을 하며, 최적화 landscape에서 나타나는 구조화 행렬의 conditioning에 대해 PSF에 무관한 날카로운 경계를 제공한다. 수치 실험을 통해 이론적 결과를 뒷받침하고, 수정된 ESPRIT 초기화 이후 그래디언트 기반 정밀화의 효과를 보여준다.
음향 임피던스 영상은 지하 분석에서 근본적이면서도 심각하게 ill-posed한 문제이다. 지진 파형(wavelet)은 알려져 있지 않고, 관측값은 대역 제한(band-limited)이며, 라벨이 붙은 well-log 샘플은 매우 희소하다(전체 트레이스의 일반적으로 1% 미만). 기존 반지도 심층 학습 방법은 정방향 모델링(forward modeling)을 통합하여 퓨샷 문제를 완화하지만, 부정확한 사전 파형 가정에 의존하거나 보조 네트워크를 도입하여 불안정한 최적화와 성능 저하를 초래한다. 우리는 정규화 디컨볼루션(regularized deconvolution)과 반지도 교차 학습을 통합한 새로운 프레임워크인 RD-SCL을 제안한다. 핵심은 학습 중 주파수 영역에서 잠재 파형을 동적으로 추정하는 미분 가능한 폐형 1차 Tikhonov 디컨볼루션 연산자로, 명시적 보조 네트워크와 고정 파형 사전분포 없이 안정적인 물리 유도 피드백을 제공한다. 이 연산자를 기반으로 라벨이 있는 데이터와 없는 데이터에 대한 예측 간 일관성을 강제하는 대칭적 교차 학습을 설계하여, 풍부한 라벨 없는 트레이스를 효과적으로 활용한다. SEAM 및 Marmousi 2 벤치마크에 대한 광범위한 실험에서 RD-SCL은 최신 지도 및 반지도 방법을 일관되게 능가하며, 더 낮은 계산 비용으로 상당한 성능 향상을 달성한다. 학습 가능 파라미터 56.5k와 경쟁력 있는 실행 시간만으로 RD-SCL은 음향 임피던스 영상을 위한 실용적이고 물리적으로 일관되며 효율적인 해법을 제공한다.
가법 측정 오차로 가려진 잠재 신호의 분포 추정과 개별 노이즈 제거를 위해 convMMD 손실 기반의 가능도 없는(likelihood-free) 시뮬레이션 추론 프레임워크를 제안하며, 관측 데이터 분포를 노이즈 합성곱 모델 분포와 맞춰 잠재 생성 모델을 학습한다. Sobolev 평활도 하에서 유한 표본 경계와 L2 수렴률을 증명해 ordinary-smooth 노이즈에는 다항, super-smooth 노이즈에는 대수적 수렴 특성을 회복한다.