흐름 매칭 기반 역문제 해결을 위한 FlowSGS 제안
FlowSGS: Improving Flow Matching Priors for Inverse Imaging with Stochastic Interpolants
arXiv흐름 매칭(Flow Matching) 기반의 역문제 해결 방식에 한계를 지적하며, 연구진은 Split Gibbs Sampling(SGS)을 활용한 새로운 사후 확률 샘플링 방법인 FlowSGS를 제안했습니다.
- FlowSGS는 사후 확률을 우도와 사전분포 단계로 분해하고, Stochastic Interpolants(SI) 프레임워크를 이용해 흐름 모델을 통합하여 높은 성능과 효율성을 동시에 확보했습니다.
- 기존에는 적용하기 어려웠던 비선형 역문제(예: 푸리에 위상 검색)에도 흐름 기반 솔버를 성공적으로 적용함으로써 계산 이미징 분야의 활용 범위를 획기적으로 확장했습니다.
- 이 방법은 기존 방식들이 가정했던 선형 모델이나 단순 근사화 문제를 극복하고, 적은 네트워크 평가만으로도 최신 성능을 달성하는 것이 핵심 강점입니다.
최근 흐름 매칭(Flow Matching)은 계산 이미징 분야의 역문제 해결에 사용되는 최신 생성 모델로 주목받고 있습니다. 기존의 흐름 기반 역문제 솔버들은 선형 순방향 모델을 가정하거나 사후 확률 샘플링 과정에서 단순화된 근사치를 사용하는 한계가 있었습니다. 연구진은 이러한 문제를 극복하기 위해, Split Gibbs Sampling(SGS)을 활용하여 사후 확률 분포를 우도 단계와 사전분포 단계로 분해하는 새로운 방법인 FlowSGS를 제안했습니다.
FlowSGS는 Langevin 동역학을 이용해 우도 단계를 샘플링하고, Stochastic Interpolants (SI) 프레임워크를 활용하여 미리 학습된 흐름 모델을 사전분포 단계에 통합합니다. 특히 SI의 역시간 SDE(Stochastic Differential Equation)를 사용하여 사전분포 단계에 대한 형태를 제공하며, 이는 기존 PnP 방식과도 연결됩니다. 또한 FlowSGS는 흐름 사전분포가 가지는 직선 확률 경로와 새로운 시간 스텝 보정 기법을 통해, 플러그 앤 플레이 확산 샘플러보다 적은 네트워크 평가만으로 높은 성능을 달성할 수 있습니다.
이 방법론의 주요 강점 중 하나는 기존 솔버들이 적용하기 어려웠던 비선형 역문제에 흐름 기반 솔버를 성공적으로 적용했다는 점입니다. 연구진은 푸리에 위상 검색(Fourier phase retrieval)과 같은 비선형 역문제에 FlowSGS를 실험적으로 적용하여, 계산 이미징 분야에서 흐름 기반 솔버의 활용 범위를 획기적으로 확장했음을 보여주었습니다.