PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.23967v1cs.CV

확산 기반 세그멘테이션에 대한 재고: 모델은 언제 노이즈 상태에 의존하며, 확산 과정은 정말 중요한가?

Rethinking Diffusion Segmentation: When Does It Rely on Its Noisy State, and Does Diffusion Matter?

확산 모델(diffusion model)은 생성 모델에서 조건부 신호와 점진적으로 변화하는 타깃의 노이즈 표현(noisy representation)을 결합하는 조건부 예측으로 점차 확장 적용되고 있습니다. 그러나 완전 지도(fully supervised) 세그멘테이션에서는 조건부 이미지만으로도 이미 직접적인 타깃 예측이 가능하므로, 최종 종단(endpoint) 성능만으로는 추가된 확산 상태(diffusion state)에 대한 의존성이나 이미지 전용 예측 대비 결정론적 이점을 입증할 수 없습니다. 상태 의존성을 검증하기 위해, 저자들은 3개 데이터셋에 걸쳐 발표된 12가지 기법을 설정당 10개의 일치된 시드(seed)로 재학습하면서 타깃 유래 상태 내용 또는 올바른 이미지-상태 쌍을 교란했습니다. 평가 마스크 경로가 노이즈 수치 재구성의 하류(downstream)에 유지된 기존 기법 비교 40건 모두에서 상태 의존성이 나타난 반면, 세그멘테이션 감독 우회로(bypass)가 있는 비교 30건 모두에서는 기준 성능이 유지되었습니다. 원래 우회로 사용이 가능했던 5가지 기법에서 세그멘테이션 감독이 노이즈-마스크 재구성을 거치도록 경로를 재설정하자, 해당 비교 30건 모두에서 성능 유지 상태가 상태 의존성으로 전환되었습니다. 결정론적 유용성 측면에서는, 매칭된 이미지 전용 대조군이 전체 35개 설정 중 28개에서 유사하거나 더 우수한 성능을 달성했으며, 원본 기법이 검증 대상 상태 특성 두 가지 모두에 의존했던 20개 중 16개 설정에서도 동일한 결과가 나타났습니다. 이러한 결과는 감독 경로가 검증 대상 기법들의 상태 의존성을 결정짓는 요인임을 보여줍니다. 아울러 매칭된 이미지 전용 대조군은 검증 대상 상태 특성에 의존하는 기법을 포함하여, 확산 특화 연산이 최종 종단에서 결정론적 이점을 제공하지 못하는 경우가 많음을 보여줍니다. 보다 일반적으로, 조건부 입력이 이미 강력한 타깃 예측을 지원하는 경우 확산 특화 주장은 추가된 상태가 실제로 활용된다는 점과 확산 특화 연산이 매칭된 조건 전용 대조군을 넘어 주장된 성능을 향상시킨다는 추가적인 증거를 요구합니다.

arXiv:2607.03103v1cs.CV

다중 태스크 의료 이미지 분할을 위한 SNR 적응형 통합 확산 모델

SNR-Adaptive Unified Diffusion for Multi-Task Medical Image Segmentation

임상 심장 영상 파이프라인은 현재 각 데이터셋과 모달리티별로 별도의 모델을 배포하여 중복적인 학습 비용이 발생하고, 해부학적으로 연관된 태스크 간의 지식 공유가 불가능하다. 따라서 반지도 학습(semi-supervised learning), 비지도 도메인 적응(unsupervised domain adaptation), 도메인 일반화(domain generalisation)를 하나의 모델로 통합하는 것은 실질적인 필요 사항이나, 단순한 결합 학습은 근본적인 장벽을 드러낸다: 데이터셋 간 레이블 의미 충돌로 LA Dice 점수가 90.31%에서 83.38%로 하락하고, 복잡도가 불균등한 태스크 간 그래디언트 불균형이 학습 전반에 걸쳐 약한 태스크를 억제한다. 우리는 세 가지 목표 지향적 메커니즘을 통해 이러한 충돌을 해소하는 통합 확산 이미지 분할 프레임워크인 UniT-Diff를 제안한다. 11채널 태스크별 출력 공간이 레이블 범주를 물리적으로 분리하여, 설계 자체에서 태스크 간 그래디언트 부호 반전을 제거한다. SNR 적응형 태스크 컨디셔닝(SATC)은 현재 확산 타임스텝의 로그 신호 대 잡음비로 태스크 토큰을 스케일링하여, 거친 노이즈 제거 단계에서 도메인 특화 바이어스를 억제하고 신호가 명확해짐에 따라 완전한 태스크 가이던스를 복원한다. 태스크 유형 인식 조건부 드롭아웃(TTACD)은 도메인 일반화 입력에 대해 태스크 토큰을 영구적으로 제거하여, 소스 벤더 통계보다 데이터셋 간 심장 해부학 정보를 활용하는 공유 중립 경로를 통해 라우팅한다. 단일 매개변수 세트로, UniT-Diff는 세 가지 벤치마크 모두에서 독립적으로 학습된 태스크별 기준 모델을 동시에 능가한다: LA에서 +0.87%, MMWHS에서 +1.77%, MNMS에서 +0.88%.

arXiv:2606.21384v1cs.CV

EnTrust: 신뢰할 수 있는 다중모달 의료 영상 분석을 위한 모달 간 충돌 모델링

EnTrust: Modeling Inter-Modal Conflict for Trustworthy Multimodal Medical Image Analysis

다중모달 의료 영상은 상보적인 해부학적·기능적 정보를 융합하지만, 병리학적으로 이질적인 영역에서는 모달리티 간 불일치가 빈번하게 발생한다. 현재의 분할(segmentation) 모델은 이를 다음 두 가지 불충분한 방식 중 하나로 처리한다: 불일치를 평균화하여 없애는 결정론적 융합, 또는 이를 생성하는 융합 과정과 분리된 사후적 불�deterministicity 추정. 둘 다 임상적으로 중요한 질문인 "이 예측이 왜 신뢰할 수 없는가?"를 가려 버린다. 본 논문은 EnTrust를 제시한다. 이는 모달 간 충돌을 예측 불확실성의 주요 원천으로 다루는 프레임워크이다. EnFuse 모듈은 다중모달 특징을 세 가지 분리된(disentangled) 구성요소로 분해한다: 공유 해부학적 합의(F_c), 모달리티별 단서(F_{u,m}), 공간적으로 국한된 충돌 신호(F_{cf})이며, 교차-공분산(cross-covariance) 목적함수를 통해 독립성을 보장한다. 이 구조화된 분해는 SegDiff를 조건화한다. SegDiff는 확산 기반 생성형 분할 모델로, 샘플링된 가설이 모달 불일치 영역에서 구체적으로 분기한다. TrustMap은 이어서 이 가설 분기를 앙상블 엔트로피, 충돌 유도 섭동 프로빙(perturbation probing), 학습된 보정(calibration) 헤드를 사용하여 보정된 픽셀 단위 불확실성으로 변환하며, 임상의가 예측이 어디에서 불확실한지뿐 아니라 왜 그런지도 이해할 수 있게 한다. 뇌, 심장, 병변, 종양학 영역에 걸친 네 가지 벤치마크에서 EnTrust는 최첨단 분할 정확도를 달성하는 동시에, 가장 강력한 기준선 대비 보정 오차를 40% 줄인다. 특히 메모리 사용량을 대략 절반 수준으로 유지한 단일 모델로 5배 규모의 딥 앙상블을 능가한다. 코드와 체크포인트는 https://github.com/GenMI-Lab/EnTrust.git 에서 이용할 수 있다.