CT 재구성을 위한 확산 모델 벤치마크 DM4CT

본 논문은 확산 모델을 CT 재구성에 적용하기 위한 최초의 포괄적 벤치마크인 DM4CT를 제안한다. CT는 이론적으로 선형 역문제 y = Ax + ε 로 표현되지만, 실제 촬영에서는 잡음 상관성, 로그 변환 등 비선형 전처리, 링 아티팩트, 제한된 투시각 등 복합적인 어려움이 존재한다. 이러한 현실적 제약을 반영하기 위해 저자는 의료용(2016 Low‑Dose CT Grand Challenge), 산업용(LoDoInd), 그리고 고해상도 싱크로트론(암석 샘플) 세 종류의 데이터셋을 구축하고, 각각에 대해 5가지 시뮬레이션 설정(투시각 수, 잡음 수준, 링 아티팩트, 제한 각도)을 적용하였다. 특히 싱크로트론 데이터는 실제 실험 환경을 그대로 반영한 고해상도 3D 볼륨으로, 기존 공개 데이터보다 훨씬 정밀한 구조를 포함한다. 연구에서는 최근 발표된 10가지 확산 기반 재구성 방법을 선정하고, 총 7가지 기존 베이스라인(Filtered Back‑Projection, Total Variation, Deep Image Prior, 학습 기반 Super‑Resolution 등)과 비교하였다. 선택된 확산 방법들은 모두 확산 모델을 사전(p(x)) 로 활용하고, 측정 y 를 조건부로 결합하는 다양한 전략을 채택한다. 저자는 이러한 전략을 크게 네 가지로 분류한다. 첫째, 데이터 일관성 그래디언트(DC‑grad) 방식은 매 역확산 타임스텝마다 ∇_x L(A ˆx_0 − y) 를 계산해 현재 샘플을 소폭 이동시킨다. 둘째, 데이터 일관성 최적화 단계(DC‑step) 방식은 역확산 사이에 완전한 최소화 문제 x* = arg min_x L(Ax − y) 를 삽입하고, 필요 시 재매핑을 수행한다. 셋째, 플러그‑인(PnP) 방식은 데이터 일관성 서브문제와 무조건적 확산 디노이징을 교대로 수행해 사전과 측정 정보를 분리한다. 넷째, 프리시드 인버스와 변분 베이지안 방식은 각각 근사 역연산(A†) 혹은 가우시안 서브시도 분포를 이용해 초기값을 제공하거나 직접 후방 분포를 최적화한다. 이러한 분류는 표 1에 정리되어 있으며, 각 방법의 구현 세부사항(잠재공간 사용 여부, DDIM 샘플링, 데이터 일관성 적용 방식 등)도 명시한다. 실험에서는 PSNR, SSIM, LPIPS와 같은 이미지 품질 지표와 함께 FLOPs, GPU 메모리 사용량, 추론 시간 등 계산 효율성을 동시에 측정하였다. 결과는 다음과 같다. (1) 대부분의 확산 기반 방법이 전통적인 FBP·TV 대비 높은 PSNR/SSIM을 달성했으며, 특히 DC‑grad 기반 방법이 품질‑효율 면에서 가장 우수했다. (2) DC‑step과 변분 베이지안은 높은 연산량(특히 CG‑solve 단계)과 복잡한 하이퍼파라미터 튜닝으로 실시간 적용이 어려웠다. (3) 플러그‑인 방식은 사전과 데이터 일관성을 명확히 분리함으로써 안정적인 수렴을 보였지만, 전체 파이프라인이 길어져 추론 시간이 늘어났다. (4) 프리시드 인버스는 초기화 단계에서 FBP·SIRT 등 빠른 근사 역연산을 활용해 초기 품질을 크게 향상시켰지만, 역연산 자체의 불안정성이 전체 성능에 영향을 미쳤다. (5) 실제 싱크로트론 데이터에서는 기하학적 불일치와 비선형 보정이 존재해, 사전 학습된 의료·산업용 확산 모델이 성능 저하를 겪었다. 이는 도메인 적응이 필수적임을 시사한다. 논문의 주요 기여는 다음과 같다. 첫째, CT 재구성을 위한 확산 모델 벤치마크 DM4CT를 최초로 제시하고, 의료·산업·싱크로트론 3가지 도메인을 포괄한다. 둘째, 고해상도 싱크로트론 데이터셋을 새롭게 수집·공개하여 실제 실험 환경에서의 평가를 가능하게 했다. 셋째, 조건부 확산 전략을 데이터 일관성 그래디언트, 최적화 단계, 플러그‑인, 프리시드 인버스·변분 베이지안으로 체계화한 통합 분류 체계를 제공한다. 넷째, 모든 구현을 HuggingFace Diffusers 프레임워크에 통합하고, 코드와 데이터를 오픈소스로 공개함으로써 재현성을 보장한다. 마지막으로, 광범위한 실험을 통해 확산 모델이 높은 재구성 품질을 제공하지만, 계산 비용·노이즈 민감도·도메인 적응 측면에서 아직 해결해야 할 과제가 있음을 명확히 제시한다. 향후 연구 방향으로는 (i) 물리 기반 시뮬레이션과 결합한 도메인 적응 확산 모델, (ii) 학습된 프리시드 인버스를 이용한 효율적인 데이터 일관성 투사 연산, (iii) 멀티스케일·멀티채널 확산 모델을 통한 초고해상도 싱크로트론 CT 적용, (iv) 실시간 추론을 위한 경량화 및 하드웨어 최적화 등이 제안된다. DM4CT는 이러한 연구를 위한 표준 테스트베드로서, 확산 기반 CT 재구성 분야의 발전을 가속화할 것으로 기대된다.