최근 이미징 기술, 딥러닝 및 수치적 성능의 발전은 예술 작품에 대한 비침습적 상세 분석을 가능하게 하여, 작품의 기록과 보존을 지원합니다. 특히, 디지털화된 회화 작품에서 크라클레르(craquelure)의 자동 감지는 열화 평가 및 복원 지도에 필수적이지만, 잠재적으로 복잡한 배경과 균열 및 붓터치나 머리카락과 같은 균열 유사 예술적 특징 간의 시각적 유사성으로 인해 여전히 어려운 과제로 남아 있습니다. 본 연구에서는 균열 감지를 역문제(inverse problem)로 모델링하여 관찰된 이미지를 균열이 없는 회화 작품과 균열 성분으로 분해하는 하이브리드 접근법을 제안합니다. 심층 생성 모델(deep generative model)은 기저 예술 작품에 대한 강력한 사전(prior)으로 활용되며, 균열 구조는 균열 사전과 함께 Mumford-Shah 형 변분 범함수를 사용하여 포착됩니다. 공동 최적화를 통해 회화 작품 내 균열 위치에 대한 픽셀 수준 맵을 산출합니다.
스코어 기반 확산 모델은 역문제에서 최첨단 성능을 달성하지만, 긴 추론 시간과 번거로운 하이퍼파라미터 튜닝으로 인해 실제 배포가 저해된다. 사전학습된 확산 모델은 재학습 없이 여러 태스크에 재사용할 수 있지만, 노이즈 스케줄과 사후 샘플링 가중치와 같은 추론 시점 하이퍼파라미터는 일반적으로 각 문제 설정마다 임시방편적인 조정이 필요하다. 우리는 불변성을 유도하는 원칙적 재매개화를 제안하여, 동일한 하이퍼파라미터를 재튜닝 없이 여러 문제에 걸쳐 재사용할 수 있게 한다. 또한 사후 샘플링을 최적화 문제로 재구성하는 RED-diff 프레임워크를 바탕으로, OptDiff 파이프라인을 추가로 개발한다. OptDiff는 추론을 가속하기 위한 볼록 최적화 도구의 통합을 용이하게 하는 간소화된 튜닝 프레임워크를 제공한다. 이미지 재구성, 디블러링, 초해상도에 대한 실험은 상당한 속도 향상과 향상된 이미지 품질을 보여준다.
Operator learning for partial differential equations (PDEs) on arbitrary geometries builds fast neural surrogates for large-scale simulation. While recent geometry-adaptive neural operators have made substantial progress, they are mainly designed for forward problems in which inputs and outputs share the same spatial domain. This limits their applicability for boundary value problems (BVPs) and inverse problems, where inputs and outputs may live on different domains. We introduce the Geometry-Adaptive Integral Autoencoder (GAIA), an operator learning model that encodes the domain boundary and the interior field distribution into geometry tokens, and conditions integral transform layers on these tokens via cross-attention, allowing the kernel to adapt locally to geometric features. This yields an architecture capable of learning solution operators for forward and inverse problems on arbitrary domains, solving each in a single pass at inference without per-domain optimization, iterative refinement, or graph construction. We evaluate GAIA on seven 2D and 3D benchmarks, four of which are new or substantially extended benchmarks for inverse problems and BVP: electrical impedance tomography, optical tomography, 3D Darcy flow on varying geometries, and a modified setting of the Poisson BVP on mechanical components benchmark (MCB). GAIA sets new state-of-the-art results on every inverse and BVP task, reducing median relative $L^2$ error by 64% on airfoil flow reconstruction and 22% on EIT relative to the next best amortized method, and outperforming all baselines on every shape category of MCB. On other forward problems, GAIA is competitive with specialized solvers while maintaining stable accuracy across point resolutions on which transformer-based baselines degrade.
Differentiable partial differential equation (PDE) solvers underpin solver-in-the-loop MLtraining, gradient-based optimal control, and inverse problems, yet the practical cost of obtaining correct, usable gradients from a given solver on a given problem is largely undocumented. Integration effort, computational cost, memory, gradient accuracy, and numerical stability vary widely across solvers and are discoverable only by trial and error. We introduce Mosaic, an extensible benchmarking framework for differentiable PDE solvers that standardizes access to solver gradients. Each solver is packaged as a containerized component (Tesseract) exposing a uniform gradient API regardless of language or automatic differentiation (AD) strategy, enabling researchers to evaluate, compare, and build on non-trivial physical solvers. Our evaluation of 14 solvers across fluid dynamics, structural mechanics, and heat transfer demonstrates that the benchmark surfaces practically relevant differences: order-of-magnitude variation in computational cost and memory, alongside setup incompatibilities and instabilities that rule out solvers for specific tasks. Despite this variation, all solvers that produce gradients converge to similar optima on our tasks, indicating that the practical barriers are memory limits, numerical stability, and setup compatibility rather than gradient accuracy alone. Mosaic is open-source and available at github.com/pasteurlabs/mosaic.
물리 정보 기반 학습(physics-informed learning)은 편미분방정식(PDE)이 지배하는 역문제(inverse problem)에 점점 더 많이 사용되고 있지만, 그 신뢰성을 보증하기는 여전히 어렵다. 본 논문은 물리 정보 기반 역학습(inverse learning)을 위한 무해(no-harm) 인증 및 선택 프레임워크를 제안한다. 학습된 재구성(reconstruction)은 잔차 보정 반경(residual-calibrated radius)이 기준선(baseline) 반경보다 나쁘지 않을 때, 즉 $$R_{\mathrm{learn}}\le R_{\mathrm{base}}+\varepsilon_{\mathrm{safe}};$$일 때만 채택되며, 그렇지 않으면 방법은 기준선을 반환한다. 인증서(certificate)는 데이터, 물리, 경계 또는 초기 조건, 그리고 최적화 잔차를 결합한다. 조건부 안정성 추정 하에서, 이러한 잔차들은 사후적(a posteriori) 재구성 오류 경계와 결정론적(deterministic) 불확실성 반경을 제공한다. 독립적인 무작위 collocation 점들로부터 추정된 물리 잔차에 대해서도 고확률(high-probability) 인증서가 유도된다. Poisson 소스 복원, 역 열 재구성, 제한각 단층촬영(limited-angle tomography), 타원형 계수 식별, 그리고 확률적 잔차 검증(validation)에 대한 수치 실험은 선택기(selector)가 인증된 개선을 수용하고, 편향·환각(hallucinated)·미완성 후보를 거부하며, 강하게 ill-posed인 영역에서는 보수적으로 동작함을 보여준다. 따라서 이 프레임워크는 또 하나의 재구성 아키텍처가 아니라 인증 및 선택 층(layer)이다.
Sampling from the posterior is the central task of computational Bayesian inverse problems. The standard workhorse in Bayesian inference---Markov chain Monte Carlo (MCMC)---is sequential, yields correlated samples, and must be rerun for each new observation. Conditional flow matching offers an amortized alternative: a transport map, trained once on joint samples of parameter and data, that yields independent approximate posterior samples for any observation at negligible online cost, without new likelihood evaluations. We give a careful, MCMC-literate assessment of flow matching for PDE-based inverse problems with function-valued parameters. Exploiting the flow's tractable density, we derive computable accuracy estimates for the learned posterior in total variation distance and Kullback--Leibler divergence and, moreover, propose a hybrid sampler that is made asymptotically exact by Metropolization. We validate the accuracy estimates and demonstrate amortization in several numerical examples, including electrical impedance tomography and a likelihood-free Lotka--Volterra model. Flow matching reproduces posterior means and credible bands closely at a fraction of the forward solves required by MCMC, but its accuracy degrades for concentrated posteriors and for observations that are atypical under the prior.
흐름 매칭(flow-matching) 및 확산 모델(diffusion model)은 선형 역문제(linear inverse problem)의 사전확률(prior)로 점점 더 많이 활용되고 있으나, 대부분의 방법은 특정 궤적 사전확률 클래스에만 맞춤화되어 있습니다. 플러그 앤 플레이(plug-and-play) 방식들이 제안되었지만, 이들은 유도된 궤적의 상관관계를 암묵적으로 해제하여 데이터가 희소할 때 성능이 저하될 수 있는 넓은 사전확률을 형성합니다. 본 연구에서는 흐름, 확산 및 탈상관된 사전확률을 일반화하는 상관 매개변수 $β$와 경로 분포가 얼마나 강하게 적용되는지를 제어하는 신뢰도 매개변수 $κ$로 색인화된 범용 플러그 앤 플레이 방법인 $β$-Flow를 제안합니다. 각 단계는 노이즈 제거 네트워크의 단 한 번의 순전파 평가만을 필요로 하며, 이후 가우시안 조건화 단계가 이어집니다. 이 조건화 단계는 네트워크 그래디언트에 의존하지 않는 정확한 칼만 업데이트(Kalman update)입니다. 우리는 기존의 많은 가이드 샘플러들이 칼만 이득 대신 서로 다른 궤적 사전확률과 연산자를 암묵적으로 사용하는 본 방법의 인스턴스 또는 근사치로 해석될 수 있음을 보여줍니다. 이러한 관점에서 우리는 암묵적 편향 및 가정의 측면에서 방법들의 정성적 비교를 제공합니다. 또한 4개 데이터셋에 걸친 7개의 역문제에서 PSNR 및 SSIM 기준으로 일관되게 최고 수준(SOTA)의 성능을 달성함을 입증합니다. 아울러 관측 정보가 적을 때는 높은 신뢰도의 강한 상관관계(엄격한 사전확률)가 가장 효과적이며, 관측 정보가 많을 때는 낮은 상관관계가 선호된다는 점을 보여줌으로써 베이즈 추론(Bayesian inference)에서 사전확률과 가능도(likelihood)의 상호보완적 역할을 반영하는 이러한 사전확률 제어의 유용성을 입증합니다.
물리 정보 신경망(PINN)은 편미분방정식(PDE) 역문제에서 종종 불량 조건 최적화(ill-posed optimization), 손실 함수 간의 충돌, 매개변수 보상(parameter compensation) 문제에 직면합니다. 전이학습(transfer learning)은 소스 태스크의 표현을 재사용할 수 있지만, 소스와 타깃의 물리적 특성이 다를 경우 직접적인 미세조정(fine-tuning)은 부정적 전이(negative transfer)를 유발하여 장(field) 오차는 낮으나 부정확한 매개변수 복원으로 이어질 수 있습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 PINN 역 전이학습을 위한 타깃 증거 기반 표현 교정 기법인 타깃 유도 선택적 재가중 PINN(Target-Guided Selective Reweighting PINN, TGSR-PINN)을 제안합니다. TGSR-PINN은 소스 신경망의 가중치와 편향을 전이하지만, 타깃 물리 매개변수는 독립적으로 초기화합니다. 타깃에 대한 짧은 적응 후, 고정된 배치에서 1차 테일러 민감도와 사전 활성화 분산을 사용하여 뉴런의 점수를 매깁니다. 이 점수들은 순위 대체(rank fallback)가 포함된 가우시안 혼합 모델(Gaussian mixture model)을 통해 연속적인 약적응(weak-adaptation) 신호로 변환됩니다. 그런 다음 TGSR-PINN은 해당 입력 가중치 행과 편향을 가지치기(pruning)하거나 재설정하지 않고 유계 선택적 소프트 감쇠(bounded selective soft decay)를 적용합니다. 0-소스 고페클레 유입-유출 문제(영이 아닌 디리클레 데이터 및 유출 경계층 포함), Allen-Cahn에서 Burgers로의 교차 PDE 전이, 5% 노이즈가 포함된 반응-확산 역문제에 대한 실험 결과는 TGSR-PINN이 낮은 장 오차를 유지하면서 매개변수 복원 성능을 향상시킴을 보여줍니다. 소거 연구(ablation studies)를 통해 뉴런 타깃 점수화, 약적응 추정, 층 보호 및 선택적 소프트 감쇠가 관찰된 성능 향상에 공동으로 기여함을 확인했습니다.
수리전도도(hydraulic-conductivity) 역전 문제는 부적합(ill-posed) 문제입니다. 완전한 수두 관측치가 주어지더라도 구조적 모호성이 남을 수 있습니다. 지질학적 텍스트 설명은 지하 구조에 대한 추가 정보를 제공하여 재구성을 제약할 수 있습니다. 그러나 설명이 재구성을 개선하는 시점과 솔버가 명시된 내용을 어떻게 활용하는지는 여전히 불분명합니다. 본 논문에서는 관측 밀도와 흐름 방향을 변화시키며, 이상화된 설명이 포함된 합성 다르시 흐름(Darcy-flow) 벤치마크를 활용하여 학습 기반 역전에서 이러한 질문들을 검토합니다. 희소 관측 학습(sparse-observation training) 후, 관측치가 구조적 모호성을 남길 때 설명은 설명 없이 학습된 모델에 비해 재구성을 향상시킬 수 있지만, 그 이득은 조건과 실행에 따라 달라집니다. 인스턴스별 특정 내용은 현장 유형(field-type) 정보를 넘어 재구성을 개선할 수 있습니다. 이 내용을 수정하면 재구성이 선택된 특징의 명시된 기하학적 구조로 이동하며, 관측치가 해당 특징에 대해 더 많은 정보를 제공할수록 이러한 이동은 덜 강하게 나타납니다. 본 연구는 동일한 지질학적 정보를 인코딩하는 수치적 입력 대비 텍스트의 재구성 우위를 입증하지는 않습니다. 마지막으로, 이러한 상호보완성이 측정과 지질학적 지식 획득의 공동 설계를 어떻게 안내할 수 있는지 논의합니다.
자기공명 탄성영상(MRE, Magnetic Resonance Elastography)은 전단파(shear wave) 전파로부터 연조직의 점탄성 특성을 정량화하는 비침습적 영상 기법이다. 측정된 변위장(displacement field)으로부터 복소값 전단 탄성률(shear modulus)을 복원하는 것은, 특히 잡음이 존재하고 경계 가진(boundary excitation)이 제한된 경우 심각하게 비정칙적인(ill-posed) 역문제로 이어진다. 본 연구에서는 수반(adjoint) 기반 최적화, 합성곱 신경망(CNN) 재구성, 그리고 두 접근법을 결합한 하이브리드 프레임워크를 조사한다. 정방향 모델(forward model)은 복소 전단 탄성률을 갖는 수정된 정상(stationary) 스토크스(Stokes) 계의 스칼라 형태를 기반으로 한다. 우리는 정방향 문제의 well-posedness, 최소화자(minimizer)의 존재성, 수반 기반 공식화에 대한 1차 최적성 조건을 확립하고, Armijo 선탐색(line search)을 적용한 비선형 켤레기울기법(conjugate-gradient method)을 구현한다. PDE 제약 최적화(PDE-constrained optimization)는 계수 재구성을 정확하게 정밀화할 수 있지만, 그 성능은 초기화(initialization)에 크게 의존한다. 이에 따라 우리는 복소값 변위 측정값을 공간적으로 변화하는 복소 전단 탄성률 필드로 매핑하여 빠르고 유의미한 초기 재구성을 제공하는 2차원 CNN을 구성한다. 제안된 하이브리드 방법은 CNN 재구성 결과를 사용하여 수반 기반 최적화를 초기화함으로써 더 빠른 수렴(convergence)과 향상된 정확도를 달성한다. CNN은 개별 섭동(perturbation)을 포함하는 계수 필드에 대해 학습되며, 개별 구성과 이전에 보지 못한 복합 구성 모두에 대해 테스트된다. 수치 실험 결과, CNN은 이러한 더 어려운 구성에도 잘 일반화되며, 이후의 PDE 제약 최적화는 재구성된 계수를 추가로 정밀화하는 것으로 나타났다. 이러한 결과는 데이터 기반 초기화와 물리 기반 최적화를 결합하는 것이 효율적이고 정확한 MRE 재구성에 지닌 잠재력을 보여준다.
이미지 복원(image restoration)은 근본적인 상충 관계(tradeoff)에 직면해 있습니다. 즉, 오차를 최소화하는 방법은 흐릿한 복원 결과를 생성하는 반면, 지각적 품질(perceptual quality)을 극대화하는 방법은 선명하지만 원본에 덜 충실한 이미지를 생성합니다. 기존 접근 방식들은 이러한 왜곡-지각(DP) 프론티어 상의 단일 동작 지점만을 고수하거나, 다른 지점에 접근하기 위해 쌍을 이룬 데이터(paired-data) 기반 지도, 보조 모델, 또는 샘플러의 하이퍼파라미터 튜닝을 필요로 합니다. 본 연구에서는 평균 필드를 학습하여 소수 단계(few-step) 샘플링을 가능하게 하는 flow matching의 최근 확장인 플로우 맵(flow map) 모델이 DP 프론티어를 연속적으로 아우르는 1-매개변수 디노이저(denoiser) 군을 암묵적으로 정의함을 보여줍니다. 룩어헤드(lookahead) 매개변수 t는 MMSE 영역과 지각적 영역 사이를 조절하는 제어 노브 역할을 합니다. 가우시안 타깃의 경우 t를 변화시킴으로써 최적의 DP 프론티어를 정확히 복원할 수 있음을 증명하며, 자연 이미지에 대해서도 실증적으로 유사한 동작을 관찰하였습니다. Plug-and-Play 솔버 내에서 동일한 메커니즘이 일반적인 역문제(inverse problem)로 확장되어 지각적 정렬과 데이터 일관성 간의 상충 관계를 제어합니다. 이러한 환경에서 엄밀한 최적성 보장이 없음에도 불구하고, 단 한 번 학습된 플로우 맵이 DP 상충 관계를 아우르며 양 극단 모두에서 특화된 베이스라인과 일치하거나 이를 능가하는 성능을 보입니다. 여러 선형 및 비선형 역문제 작업에 걸쳐 CelebA ($128\times 128$) 및 AFHQ ($256\times 256$) 데이터셋에서 수행한 광범위한 실험을 통해 본 연구의 발견을 검증합니다.
물리 정보 기반 신경망(PINN)은 학습(training) 과정에 물리 법칙을 통합함으로써 편미분 방정식(PDE)을 해결하는 효과적인 접근 방식으로 부상했습니다. 그러나 유한한 수의 학습 점으로 비유계(unbounded) 영역을 표현하는 것의 어려움으로 인해, 무한 및 반무한 영역에 대한 적용은 여전히 난제로 남아 있습니다. 본 연구는 무한 영역에서의 역(inverse) PDE 문제를 위한 물리 정보 기반 학습 전략을 평가하며, 균등(uniform), 가우시안(Gaussian), 지수(exponential) 분포 기반 샘플링 전략의 영향과 PINN 프레임워크 내에서 기존 다층 퍼셉트론(MLP) 및 콜모고로프-아놀드 네트워크(KAN)의 활용에 초점을 맞춥니다. 제안된 벤치마크는 무한 및 반무한 영역에서의 인공적인 역문제를 고려하여 재구성 정확도와 계산 효율성에 대한 정량적 평가를 가능하게 합니다. 실험 결과에 따르면 명시적 분포 매개변수로 제어되는 가우시안 및 지수 샘플링은 원거리 장(far field)에서의 재구성 정확도를 향상시키며, 문제 특화된 사전 지식을 학습에 임베딩(embedding)하는 직접적인 메커니즘을 제공합니다. 에지 기반 함수 표현이 콜모고로프-아놀드 표현 정리에 기반한 PIKAN은 더 적은 뉴런을 요구하면서도 MLP 기반 PINN의 정확도와 일치하거나 이를 능가하지만, 스플라인 기반 공식화로 인해 학습, 추론(inference), 도함수(derivative) 계산의 연산 비용이 증가합니다.
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.
플러그 앤 플레이(Plug-and-Play, PnP) 방법은 반복 최적화(optimization) 알고리즘에 딥러닝 기반 디노이저를 통합하여 영상 역문제(inverse problem)를 해결합니다. 실제 구현에서는 반복에 따라 디노이저 노이즈 레벨 $σ$를 점차 감소시키는 경우가 많지만, 기존의 대부분의 수렴 분석은 고정된 디노이저를 가정합니다. 본 연구에서는 결정론적 방법(RED--GD 및 PnP--PGD)과 확률론적 방법(SNORE, 동변 RED, 그리고 PnP--Flow의 변형)을 아우르는, 어닐링된 노이즈 레벨을 갖는 광범위한 플러그 앤 플레이 알고리즘 계열에 대한 수렴 보장을 확립합니다. 각 방법에 대해 최종 디노이징 레벨과 연관된 명시적인 비볼록(nonconvex) 목적 함수를 식별하고, 해당 목적 함수에 대한 반복점들의 점근적 정상성(asymptotic stationarity)을 증명합니다. 우리의 분석은 노이즈 스케줄에 특정한 감쇠율을 강제하지 않으며, 학습된 그래디언트 단계 디노이저와 정확한 MMSE 디노이저를 모두 포함하는 가정을 채택합니다. 전반적으로, 본 연구의 이론적 결과는 기존 PnP 수렴 이론과 최신 영상 복원 기법에서 사용되는 감쇠 디노이징 실무 사이의 간극을 메웁니다. 우리는 이러한 스케줄의 이점을 실험적으로 입증하고, 인페인팅(inpainting), 초해상도(super-resolution), 디모자이킹(demosaicing), 단층촬영(tomography)을 포함한 여러 영상 역문제에서 예측된 수렴 거동을 보여줍니다.
흐름 기반 생성 모델(flow-based generative model)은 역문제(inverse problem) 해결을 위한 강력한 사전확률(prior)로 부상했습니다. 한 가지 방법은 흐름 출력물이 역문제를 해결하도록 초기 잠재 코드(노이즈)를 직접 최적화하는 것입니다. 그러나 이 방식은 전체 생성 궤적을 통해 역전파해야 하므로 높은 메모리 비용과 수치적 불안정성을 초래합니다. 본 논문에서는 궤적을 단일 초기 코드가 아닌 중간 잠재 상태들의 시퀀스로 표현하는 MS-Flow를 제안합니다. 국소적으로 흐름 역학을 강제하고 궤적 일치 페널티를 통해 세그먼트들을 결합함으로써, MS-Flow는 중간 잠재 상태를 업데이트하는 것과 관측 데이터와의 일관성을 강제하는 것을 번갈아 수행합니다. 이를 통해 재구성 품질을 향상시키면서 메모리 소비를 줄입니다. 인페인팅, 초해상도(super-resolution), 컴퓨터 단층촬영(CT)을 포함한 이미지 복원 및 역문제에서 기존 방법 대비 MS-Flow의 효과를 입증합니다.
본 논문은 앙상블 조건 역문제(EIP)라 명명하는 새로운 다변량 통계 문제를 소개한다. EIP의 목표는 순방향 과정(forward process) 하에서 사전분포(prior)의 pushforward에 따라 분포하는 앙상블을 역산하는 것이다. 고에너지 물리학(HEP)에서는 이 문제가 unfolding으로 잘 알려져 있으며, 검출기 효과로 왜곡된 관측으로부터 실제 물리 분포를 재구성하는 것을 목표로 한다. EIP는 전체 파형 역산(FWI)과 알려지지 않은 사전분포를 갖는 역영상(inverse imaging)에서도 등장한다. 우리는 앙상블 역생성 생성 모델(ensemble inverse generative models)이라 부르는 새로운 조건부 생성 모델 클래스를 기반으로 사후 샘pler를 구성하는 비반복적 추론 시점 방법을 제안한다. 사후 모델링에서 이 모델들은 단일 관측 위에 관측 집합에 포함된 앙상블 정보를 추가로 활용한다. 기존 방법과 달리, 제안 방법은 동일한 순방향 모델과 일치하되 넓은 범위의 사전분포에서 기원한 여러 진실-관측 쌍 집합에 걸친 학습을 통해 추론 시점에 순방향 모델을 명시적·반복적으로 사용하지 않는다. 실험적으로 이 학습 절차가 가능도 모델을 암묵적으로 인코딩하여, 어느 정도 보지 못한 사전분포에 대한 직접 사후 추론을 가능하게 함을 보인다. 역영상, HEP, FWI 분야의 여러 합성 및 실제 데이터셋에서 제안 방법을 벤치마크한다. 코드는 https://github.com/ZhengyanHuan/EIP 에서 제공한다.
변분 오토인코더(VAE)는 역문제에 대한 상환 베이지안 추론(inference)을 효율적으로 수행하는 접근을 제공하지만, 역문제에 약하게 식별되는 매개변수 방향이 포함될 때 특히 사후 정확도는 변분 정규화(regularization) 선택에 크게 의존할 수 있다. 본 연구는 세 가지 목적함수를 조사한다: 역 Kullback–Leibler 형식(VAE-KL), 비대칭 Jensen–Shannon 형식(VAE-JS), 그리고 역 Kullback–Leibler 정규화항을 제곱 2-Wasserstein 거리로 대체하면서 순방향 Kullback–Leibler 사후 지도는 유지하는 Jensen–Shannon–Wasserstein 형식(VAE-JSWA). 상환 사후 추론에는 full-covariance 가우시안 인코더와 사전학습된 물리 기반 서로게이트(surrogate)를 사용한다. 일반화 Fisher 기저에서의 국소 선형–가우시안 분석을 개발하여 세 목적함수의 분산 의존 기울기를 특성화한다. 이 형식들은 먼저 알려진 사후 해가 있는 선형–가우시안 벤치마크로 평가한 뒤, 선형 ODE에 의해 지배되는 역문제 하나와 PDE 제약 역문제 두 개를 포함한 비선형 물리 기반 역문제에서 검증한다. 세 접근 모두 유사한 사후 근사를 내놓는 잘 조건화(well-conditioned)된 벤치마크에서는 VAE-KL이 다른 형식들보다 약간 더 나은 성능을 보이는 반면, 강하게 ill-conditioned된 벤치마크에서는 VAE-JSWA가 사후 오차를 현저히 더 낮춘다. 비선형 물리 기반 문제에서도 유사한 조건화 의존 경향이 나타나며, 사후 ill-conditioning이 커질수록 JS 기반 형식이 더 큰 이득을 제공한다. 이러한 결과는 사후 조건화(posterior conditioning)가 변분 목적함수 선택에 중요한 요인임을 시사하며, 베이지안 역문제를 위한 기하학 적응형 변분 추론을 동기 부여한다.
Unsupervised anomaly detection (UAD) aims to localize abnormal regions in medical scans without pixel-level annotations. A typical strategy seeks to reconstruct a pseudo-healthy image that preserves subject-specific anatomy. Recently, diffusion models have been proposed to perform UAD. However, these methods rely on heuristic noise schedules or synthetic corruptions to balance subject-specificity and anomaly removal. In this work, we propose an alternative formulation of UAD as a Bayesian inverse problem under a diffusion prior. First, we introduce a latent spatial anomaly mask that models pixel-wise consistency between a test image and its latent corresponding pseudo-healthy image. Then, we propose an approximation of the unknown generation process that links healthy anatomy, anomalies, and the observed image, enabling a well-defined likelihood within the Bayesian framework. Building on recent advances in diffusion-based inverse problem methods, we jointly infer the pseudo-healthy image and the anomaly mask via annealed posterior sampling. We evaluate our approach on FDG PET (ADNI) and FLAIR MRI (BraTS 2021), demonstrating improved anomaly localization performance compared to other diffusion-based approaches and validating the contribution of our introduced model. Our code is available at https://github.com/HuguesRoy/UAD_DAPS.
저해상도 변위 측정값으로부터 공간적으로 이질적인 탄성 특성을 추정하는 문제는 심각하게 ill-posed한 역 탄성학 문제이다. 저해상도는 이질적 물성 변화를 구분하는 데 필요한 공간적 세부 정보를 가려 버리며, 작은 측정 섭동이나 피팅 오류가 역추정 과정에서 증폭되기 때문이다. 기존 역방법들은 종종 고정밀 관측과 수동으로 사전 지정된 손실 가중치에 의존하여 적응성을 제한하고, 노이즈와 해상도 저하에 민감하게 만든다. 우리는 노이즈가 있고 저해상도인 변위 데이터로부터 영률(Young's modulus)과 포아송 비(Poisson's ratio)를 강건하게 추정하기 위한 확률적 역 탄성 물리-정보 신경망(PIE-PINN) 프레임워크를 제안한다. PIE-PINN은 통합된 확률적 모델 내에서 Laplace 분포를 사용하여 변위 관측, 변형률 불일치, 및 평형 잔차를 모델링한다. 강건성을 높이기 위해, 이 프레임워크는 B-spline 기반 변위 신경망과 변위 잔차 스케일을 위한 계층적 half-Cauchy 모델을 결합한다. B-spline은 변위장의 매끄러운 전역 표현을 제공하고, 신경망 보정은 국소 변화를 포착한다. 계층적 스케일 모델은 심각한 변위 피팅 오류의 가중치를 적응적으로 낮춰 잠재 평균 변위장의 보다 강건한 복원을 가능하게 한다. 교대식 최대 가능도 학습 전략은 가중 잔차 최소화를 통해 평균을 갱신하고, 손실 가중치를 조정하기 위해 스케일을 갱신한다. 다양한 노이즈 수준과 관측 해상도에 걸친 체계적인 사례 연구는 PIE-PINN의 강건성을 입증한다.
방향 그래프에서 관측된 흐름으로부터 잠재 전위를 복원하는 문제(디리클레 경계를 갖는 이산 푸아송 문제)는 부적정(ill-posed)이며, 표준적인 해결책은 역효과를 낸다: 릿지 정규화는 게이지 무의미한 원점으로 수축하여 복원된 순서를 붕괴시키고 뒤집는다(심어 둔 정답(ground truth)에 대한 순위 상관계수 $+0.81\to-0.42$). 게이지 불변 그래프 디리클레 에너지는 이 위험을 제거하고 매개변수 무감감성을 제공한다: 추정치는 $\lambda$가 네 자릿수 스케일에 걸쳐 안정적인 반면, 릿지는 모든 $\lambda>0$에서 순서를 뒤집는다. 우리는 축소 해법이 SPD(대칭 양의 정부호)임을 증명하고, 릿지가 동적 범위를 붕괴시키는 바로 그 지점에서 동적 범위를 보존함을 보인다. 또한 푸아송 잔차만으로 흐름으로부터 흡수 경계를 국소화한다. $H^1$ 세미노름은 고전적이며, 새로운 점은 게이지 진단, 이로 얻는 매개변수 무감감성, 그리고 추출 방법에 대해 결과가 강건함을 보여주는 제거 실험(ablation)이다. 세 가지 공개 클릭스트림 코퍼스에서 게이지 불변 추정은 내부 동적 범위의 $28$--$41\%$를 유지하는 반면, 릿지는 $0.2\%$까지 붕괴한다. 동일한 게이지 불변성은 그래프 신경망에도 이어진다. 층마다 상수 모드를 중화하면 깊은 방향 GCN을 붕괴시키는 과평활화(oversmoothing)를 방지하며, 이 고전적 역문제를 그래프 학습의 핵심 질문과 연결한다.