잡음 지수와 측정량을 두 축으로 삼아 다양한 센서 잡음을 한 모델로 복원한다

무엇인가

가우시안 확산 모델은 잡음이 신호와 무관하다고 가정하지만 실제 센서는 그렇지 않다. 광자 계수 기반 카메라와 형광 현미경은 세기에 따라 분산이 커지는 잡음을 만들고, 코히런트 영상(SAR)은 곱셈성 스페클을 낳는다. 그래서 잡음 세기 하나만으로는 서로 다른 촬영 방식의 열화를 규정할 수 없다. 기존 연구는 물리 기반 잡음 모델, 분산 안정화 변환, 또는 특정 잡음 족에 맞춘 확산 과정으로 이 문제를 다뤘다. Gamma Bridge는 스페클 복원 궤적을 '룩 수'라는 물리적 좌표로 지수화했지만 적용 범위가 감마 족에 머문다. 이 논문은 그 좌표계를 Tweedie 족 전체로 넓히려 한다.

어떻게 동작하나

핵심 발상은 같은 장면을 독립적으로 여러 번 측정하면 평균은 유지되고 분산만 줄어든다는 것이다. Tweedie 지수 분산 모델에서 측정 강도 x_ν는 평균 x*와 분산 V(x*)/ν를 갖고, V(μ)=μ^p다. 여기서 p는 분산이 세기에 어떻게 의존하는지를, ν는 누적 노출·선량·룩 수를 나타낸다. 두 좌표가 '잡음 평면'을 이루며 p=0이면 가우시안, p=1이면 푸아송, p=2면 감마다. 독립 증분의 합성 성질(Z1+Z2 ~ ED*(θ, ν1+ν2)) 덕분에 측정 분포들을 하나의 확률적 다리로 연결할 수 있다. 순방향 과정은 ν를 줄이고, 복원은 ν를 늘리는 방향이다.

무엇과 다른가

복원 스텝은 ν(t)에서 더 큰 ν(t-1)로 이동하는 것이고, 부족한 측정량 Δ=ν(t-1)-ν(t)을 독립 증분으로 채운다. 그러면 x_{t-1}=α_t·x_t + Y/ν(t-1), α_t=ν(t)/ν(t-1)이 되고, 신경망이 x*를 예측할 때 조건부 평균은 E[x_{t-1}|x_t,x̂*]=α_t·x_t+(1-α_t)·x̂*로 정리된다. 저자들이 강조하는 지점은 이 혼합 계수 α_t가 잡음 지수 p와 무관하다는 것이다(정리 2). 즉 역방향 평균 갱신 자체는 모든 Tweedie 족에서 같은 형태를 공유한다. 학습 목표는 편차(deviance) d_p로, μ에 대한 미분이 -2(y-μ)/μ^p 하나로 정리되며 p=0에서 제곱오차, p=1에서 푸아송 편차, p=2에서 이타쿠라-사이토 발산의 두 배가 된다. 학습 쌍을 만들기 위한 하향 세분화 커널은 자연 모수 θ*에 의존하지 않고, p=0·1·2에서 각각 가우시안·이항·스케일 베타가 된다. 1<p<2 구간은 잠재 복합 푸아송-감마 구성으로 처리하는데, 사건 수를 이항적으로 솎아내고 진폭을 베타로 쪼갠다.

어떻게 쓰나

네트워크는 시간 임베딩 옆에 p 임베딩을 붙여 하나의 가중치로 여러 지수를 처리한다. 학습 중에는 p를 {1, 1.05, …, 2}에서 균등 샘플링한다. 출력 표현도 지수에 따라 달라진다. 변동계수 CV=x*^{p/2-1}/√ν(t)가 p=2에서는 세기와 무관하고 p<2에서는 어두운 영역으로 갈수록 커지므로, p=2에서는 잔차 고정을, 1≤p<2에서는 로그 세기 직접 예측을, p≥1에서는 지수 출력 맵을 쓴다. 실사용에서 중요한 지점은 캘리브레이션이다. 균일 패치에서 ν̂=V(x̄)/σ̂²로 추정하는데, 입력을 c배 스케일하면 ν̂가 c^{p-2}·ν̂로 바뀐다. p=2에서만 스케일 불변이라 나머지 지수에서는 세기 스케일을 먼저 정하고 (p, ν)를 함께 추정해야 한다. 실제로 저자들은 로그 분산 대 로그 평균의 강건 회귀 기울기와 절편으로 두 값을 동시에 적합한다.

전제와 한계

실험은 합성 이미지, FMD 형광 현미경, miniSAR·FARAD-X·TerraSAR-X 다중 센서 SAR로 구성된다. 먼저 지수를 어긋나게 했을 때의 비용을 측정했다. 심한 잡음에서 감마(p=2)로 학습한 모델에 푸아송(p=1) 데이터를 넣으면 PSNR이 4.40dB 떨어지고, 반대 방향은 약 3.3dB 손실이었다. p∈{1, 1.5, 2} 부분 격자의 평균 손실은 2.00dB다. 고정 지수 모델 중 최악값을 최대화하는 지수는 심한·중간 잡음에서 p=1.5(21.339, 23.112dB), 약한 잡음에서는 p=1.75(26.336dB)였다. 지수 조건 네트워크는 추정 지수를 넣고도 고정 p=1.5 기준을 심한·중간·약한 잡음에서 각각 0.921, 1.525, 1.413dB 앞섰다. 각 잡음 수준의 최적 고정 모델과 비교해도 0.921, 1.525, 1.099dB 우세하다. 오라클이 고른 전문가 5종과 비교하면 최소 PSNR이 22.254/24.631/27.431dB 대 22.260/24.637/27.435dB로 차이가 0.006dB 이내다. 참 지수 대신 추정 지수를 쓴 차이는 0.000, +0.002, -0.001dB에 불과했다.

합성 이미지 9개 조합에서 조건부 p-Bridge는 PSNR 8개 설정 1위, SSIM 9개 전부 1위를 기록했다. 유일하게 밀린 곳은 p=1·약한 잡음에서 Noise2VST가 0.02dB 앞선 경우다. VIRNet 대비 개선은 0.06~0.09dB로 작지만 일관되며, 심한 잡음에서 p=1에서 2로 갈 때 PSNR 하락이 0.13dB로 Noise2VST의 0.94dB보다 훨씬 평평하다. FMD에서는 평균 SSIM 0.912로 1위, 평균 PSNR 31.76dB로 VIRNet(31.83dB)에 이어 2위다. CF-FISH와 CF-MICE에서 각각 0.11, 0.23dB 뒤지지만 TP-MICE에서는 32.68dB로 0.13dB 앞서고, 평균 PSNR은 I2SB보다 0.61dB 높다. SAR에서는 평균 M/RIS 19.4/35.3으로 NAFNet(22.0/37.7)을 앞서고, miniSAR와 TerraSAR-X에서 두 지표 모두 1위, FARAD-X에서 2위다. 절제 실험에서는 측정량 의존 가중치(-0.345dB)와 선형 인덱스 스케줄(-0.268dB)이 손해였고, 5회 평가 기준 일관성 정규화 제거가 -0.210dB, 역방향 혼합을 직접 예측으로 교체한 것이 -0.186dB였다. 25회 평가에서는 두 손실이 각각 0.452, 1.654dB로 커진다.

지수 추정 허용 오차도 측정했다. |p̂-p_data|≤0.25에서 조건화 이득이 0.830~1.311dB 남아 정확 조건화 대비 0.09~0.21dB만 손해였다. δ=0.5에서는 0.107~0.184dB로 줄지만 여전히 양수다. 반면 오차 제약이 없으면 고정 기준선보다 1.707~1.863dB 떨어진다. 실제 추정기는 평가 격자에서 p의 최악 절대오차 0.0914, ν의 중앙 상대오차 2.8~4.1%를 보였고, 45개 구성 중 5개에서 p 추정치가 [1,2]를 최대 0.032 벗어나 잘라냈다. 개발자 입장에서 실용적 메시지는 두 가지다. 첫째, 센서가 바뀔 때마다 모델을 따로 학습하는 대신 잡음 지수를 조건 입력으로 넣으면 체크포인트 하나로 여러 잡음 족을 커버할 수 있고, 그 손실은 오라클 전문가 앙상블 대비 0.006dB 수준이다. 둘째, 배포 전에 장면의 로그 분산-로그 평균 회귀를 한 번 돌려 (p, ν)를 캘리브레이션해야 하며, 이때 세기 스케일 정규화를 빼먹으면 p≠2에서 ν 해석이 어긋난다.

저자들이 명시한 전제와 한계도 분명하다. 결정론적 샘플러는 역방향 평균을 따라가므로 물리적 측정 주변분포와 오라클 분포적 정확성은 확률적 구성에만 해당한다. 잠재 얇게 하기는 실제 관측에서 유한 절단을 쓰기 때문에 근사다. 합성 심각도 전이 실험은 시뮬레이터의 사건 수를 조건 채널에 활용했는데, 이는 배포 시에는 쓸 수 없는 프로토콜 특유의 정보다. 출력 범위를 [ε,1]로 자르는 투영은 평균의 양수성만으로는 상한이 정해지지 않기 때문에 어디까지나 구현 선택이며, 지수가 어긋날 때만 0.139~0.223dB 정도 효과가 있다. 또한 서로 다른 자연 모수를 가진 측정끼리는 합성 폐포성이 보장되지 않고, 지수 추정 회귀는 p를 [1,2]로 제약하지 않아 후처리 클리핑이 필요하다. 약한 잡음에서는 ν가 심한 잡음의 16배가 되어 추정이 더 어렵다는 점도 인정한다.