심각한 부적절성(ill-posed)을 지닌 이미징 역문제(inverse problem)를 해결하기 위해서는 측정치로부터 관측할 수 없거나 약하게 제약된 이미지 구조를 복원해야 합니다. 확산 모델(diffusion model)은 이러한 누락된 정보를 추론(inference)하기 위한 표현력 있는 학습 기반 사전 분포(prior)를 제공하며, 사후 확률 샘플링(posterior sampling)은 역과정(reverse process) 전반에 걸쳐 측정 일관성(measurement consistency)을 결합합니다. 그러나 표준 확산 사후 확률 샘플러는 이전 사후 교정에 포함된 정보를 명시적으로 활용하지 않고 순간적인 측정 인지 추정치에만 의존합니다. 본 논문에서는 재학습이나 추가적인 디노이저(denoiser) 평가 없이도 연속적인 측정 인지 추정치를 융합하여 관측 불가능한 이미지 구조의 확산 기반 복원을 향상시키는 추론 시점 전략인 연속적 사후 확률 융합 노이즈 제거 확산 영공간 모델(CPF-DDNM)을 제안합니다. 우리는 치역/영공간(range/null-space) 분해를 통해 연속적 융합이 측정치에 의해 결정되는 성분을 보존하면서 사전 분포 기반 영공간 추정치에만 배타적으로 작용함을 보여주는 DDNM 내에서 이 원리를 구현합니다. 이를 통해 CPF-DDNM에 대한 기하학적 해석과 외삽(extrapolative) 영역을 포함하여 최적의 시간 의존적 융합 계수를 특성화하는 국소 오차 분석을 제공합니다. 희소각(sparse-view) 및 모의 저선량 컴퓨터 단층촬영(CT), 의료 영상 초해상도(super-resolution)에 대한 실험 결과, DDNM 대비 일관된 개선과 확산 기반 역문제 해결 모델 대비 경쟁력 있는 성능을 보여줍니다.
단일 광자 아발란치 다이오드(SPAD)는 빛을 개별 검출 이벤트의 이산 스트림으로 기록한다. 신호는 확률적이며, 그 통계적 구조는 센서의 동작 모드—고정 구간에서의 이진 검출, 고정 구간에서의 타임스탬프 검출, 또는 자유 실행 타임스탬프 검출—에 따라 달라진다. 우리는 이 세 가지 수동(passive) 모드 각각에 대한 가능도 스코어 함수를 유도한다. 이 단일 객체로부터 복원의 근본적 한계(크래머-라오(Cramer-Rao) 한계)와 확산 사후 샘플링(diffusion posterior sampling)에 기반한 실용적 복원 알고리즘이 모두 파생된다. 본 논문은 근본적 한계를 베이지안 크래머-라오 하한(Bayesian Cramer-Rao lower bounds)으로 더 일반화한다. 이 일반화는 신호 사전분포(signal priors)의 스코어 함수에 대한 학습된 근사를 활용한다. 기존 연구에서는 SPAD 데이터에 대한 분석과 확산 기반 재구성이 개별 모드를 독립적으로 다루어 왔다. 우리의 통합적 접근은 모드 간 고플럭스(high-flux)에서의 질적 차이를 보여준다: 이진 계수(binary counts)는 지수적으로 포화(saturate)하는 반면, 타임스탬프 모드는 선형적으로만 저하(degrade)한다. 우리는 이전에 이진 SPAD 데이터에만 제한되어 있던 확산 사후 샘플링을, 적절한 스코어 함수를 사용하여 완전한 타임스탬프 경우로 더 확장한다. 우리는 실험적으로 스코어를 동작 모드에 맞추는 것이 고충실도(high-fidelity) 재구성에 유리함을 보인다. 복원 한계와 확산을 스코어 함수에 연결함으로써, 본 연구는 단일 광자 센싱에서 무엇이 복원 가능한지를 묻는 것과 한계에 근접하는 방법을 구축하는 것 모두를 위한 공통 기반을 마련하는 것을 목표로 한다.
자기공명영상(MRI)은 비교적 긴 촬영 시간과 k-공간에서 데이터가 순차적으로 획득되는 특성으로 인해 환자의 움직임에 매우 취약하다. 작은 환자 움직임조차도 측정값 전반에 걸쳐 위상 불일치를 유발하여, 진단 품질을 저하시킬 수 있는 블러링, 고스팅, 기하학적 왜곡과 같은 심각한 아티팩트로 이어진다. 후향적 모션 보정은 결합된 재구성 및 모션 추정 문제의 비적정(ill-posed) 특성으로 인해, 특히 가속 촬영에서, 여전히 어려운 과제로 남아 있다. 본 연구에서는 모션에 오염된 k-공간 데이터로부터 직접 해부학적 영상, 강체 모션 파라미터, 코일 감도 맵을 공동으로 추정하는 모션 보정 3D MRI를 위한 통합 베이즈 프레임워크를 제안한다. 본 접근법은 사전학습된 3D 복소수값 스코어 기반 확산 모델을 물리 기반 순방향 모델 내에서 표현력 있는 해부학적 영상 사전(prior)으로 통합한다. 추론은 확산 사후 영상 업데이트와 모션 및 코일 감도 추정을 위한 효율적인 근접 최적화 단계를 교대로 수행함으로써 이루어지며, 이를 통해 쌍을 이루는 모션 없는 학습 데이터 없이도 완전 비지도 재구성이 가능하다. 시뮬레이션 및 실제 모션 뇌 MRI 데이터셋에 대한 실험에서, 제안된 방법이 특히 심한 모션과 높은 가속 인자가 존재하는 상황에서 최신 고전적 및 학습 기반 모션 보정 기법들에 비해 향상된 영상 품질과 모션 강건성을 달성함을 보여준다.