0. Summary

  • 기본 정보 : ArXiv,2026.10.27, The Noise Plane: A Diffusion Bridge Across Exponent and Dispersion
  • 연구 배경 : 확산 기반 잡음 제거(diffusion denoising)는 대부분 가우시안 섭동을 가정하지만, 실제 센서 잡음은 신호 의존적(signal-dependent)이고 그 통계 법칙이 센서마다 다르다. 광자 계수(photon counting)는 Poisson형 변동을, 코히런트 영상(SAR)은 곱셈형 스페클(Gamma)을 만든다. 따라서 “잡음 수준” 하나로는 열화를 기술할 수 없고, 분산이 강도에 어떻게 의존하는지(variance–intensity relation)까지 지정해야 한다. 기존 비가우시안 확산(Xie et al.), 룩 수(number of looks)로 궤적을 색인하는 Gamma Bridge 등은 특정 잡음 법칙이나 이산적 족(family)만 다뤘다.
  • 제안 방법 : $p$-Bridge 는 Tweedie 족의 멱 분산 함수 $V(\mu)=\mu^{p}$ 를 이용해 Gaussian($p=0$), Poisson($p=1$), 복합 Poisson–Gamma($1<p<2$), Gamma($p=2$) 를 하나의 측정 색인(measurement-indexed) 확산 브리지 로 통합한다. 지수 $p$ 는 잡음 법칙을, 누적 측정량 $\nu$(노출·선량·룩 수)는 잡음 수준을 정하며, 둘이 “잡음 평면(noise plane)”을 이룬다. 같은 장면의 독립 측정을 더하면 분포가 같은 족에 남는다는 닫힘성(Eq. 5)으로 중첩 결합(superposition coupling)을 만들고, 그 조건부 평균에서 $p$ 와 무관한 혼합 계수 $\alpha_{t}=\nu(t)/\nu(t-1)$ 를 갖는 공통 역방향 갱신(Eq. 8)을 유도한다. 단위 편차(unit deviance)를 복원 손실로 써서 네트워크가 조건부 평균을 예측하게 하고(Theorem 3), 중간 지수에서는 잠재 복합 Poisson–Gamma 구성으로 희석(thinning) 샘플링을 한다. 지수 임베딩으로 조건화된 단일 네트워크가 $p\in[1,2]$ 전체를 담당하며, 추론 시에는 잡음 영상에서 $(\hat{p},\hat{\nu})$ 를 직접 추정한다.
  • 발견 사실 : 고정 지수 모델은 지수가 맞지 않으면 크게 손해를 본다. 심한 잡음에서 Gamma 학습 모델을 Poisson 데이터에 쓰면 PSNR 이 4.40 dB 떨어지고 역방향 불일치는 약 3.3 dB 손해다. 고정 모델 중 최악 사례 PSNR 을 최대화하는 지수는 심함·보통에서 $p=1.5$, 약함에서 $p=1.75$ 로 단일 최적은 없다. 추정 지수를 쓰는 조건부 네트워크는 최선 고정 모델보다 0.921/1.525/1.099 dB 높고, 오라클이 고른 5개 전문가 모델(envelope)과의 최소 PSNR 차이는 최대 0.006 dB 다. 합성 영상에서는 9개 설정 중 PSNR 8개·SSIM 9개에서 외부 기준선을 앞서고, FMD 에서는 평균 SSIM 1위(0.912)·PSNR 2위(31.76 dB), 실제 SAR 에서는 평균 $\mathcal{M}/\mathrm{RIS}$ 19.4/35.3 으로 1위다. 지수 추정 오차가 0.25 이내면 조건화 이득의 대부분이 유지되며 실제 추정 최악 오차는 0.0914 다.
  • 핵심 기여 :
    1. Tweedie 잡음을 위한 통합 측정 색인 브리지 : 지수 $p$(분산–강도 관계)와 누적 측정량 $\nu$(잡음 수준)의 역할을 분리하고, 시작·종료 측정 수준을 모두 지정할 수 있는 확률 브리지를 세웠다.
    2. 공통 역방향 평균과 편차 목적, 잠재 희석 : 측정 중첩에서 $p$ 와 무관한 혼합 계수를 갖는 역방향 평균 갱신을 유도하고, 그 갱신이 요구하는 조건부 평균을 단위 편차 손실로 학습하며, 복합 Poisson–Gamma 구성으로 중간 지수의 측정 전이를 샘플링했다.
    3. 지수 조건화 단일 네트워크 : 지수마다 따로 학습하지 않는 단일 모델이 관측에서 추정한 지수로 동작하며, 오라클 선택 전문가 5개 집합과 동등한 교차 지수 강건성을 보였다.

Abstract 쉬운 설명(Claude)

1. 어떤 문제를 푸는가?

사진을 찍으면 화면에 자글자글한 “잡음(노이즈)”이 생깁니다. 이 논문은 그 잡음을 지우는 AI 기술을 다룹니다.

그런데 잡음은 장비마다 성격이 다릅니다.

  • 일반 카메라에서는 밝기와 상관없이 비슷한 크기의 잡음이 고르게 낍니다. 이것을 가우시안 잡음이라고 합니다.
  • 현미경은 빛 알갱이(광자)를 하나씩 세는 방식이라, 어두운 곳일수록 잡음이 상대적으로 심합니다. 이것을 푸아송 잡음이라고 합니다.
  • 위성 레이더(SAR)에서는 밝은 곳은 밝은 만큼, 어두운 곳은 어두운 만큼 잡음이 곱해지듯 생깁니다. 이것을 감마 잡음이라고 합니다.

기존 AI는 대부분 첫 번째 종류만 가정하거나, 종류별로 모델을 따로 만들어야 했습니다.

2. 핵심 아이디어: 잡음을 두 개의 숫자로 표현하기

연구진은 모든 잡음을 두 개의 숫자로 나타냈습니다.

  • p (잡음의 성격): 밝기에 따라 잡음이 얼마나 변하는지를 나타냅니다. p=0이면 일반 카메라형, p=1이면 현미경형, p=2이면 레이더형이고, 그 사이 값도 가능합니다.
  • ν (잡음의 양): 측정을 얼마나 많이 했는지를 나타냅니다. 클수록 잡음이 적습니다.

마치 지도에서 위도와 경도로 위치를 찍듯이, 이 두 숫자로 어떤 잡음이든 “잡음 지도” 위의 한 점으로 표시할 수 있습니다. 논문에서는 이를 “잡음 평면”이라고 부릅니다.

3. 잡음 제거 = 측정을 더 쌓는 것

어두운 방에서 사진을 한 장만 찍으면 자글자글하지만, 같은 장면을 100장 찍어 평균을 내면 깨끗해집니다. 이 논문은 잡음 제거를 바로 이 과정으로 봅니다. “실제로는 한 장만 찍었지만, 사진을 계속 더 찍어서 겹쳤다면 어떻게 보였을까?”를 AI가 한 단계씩 추측해 나가는 방식입니다.

그래서 “지금 수준에서 시작해 이 정도 깨끗함까지만 가자”처럼 출발점과 도착점을 정할 수 있습니다.

4. AI 하나로 모든 잡음을 처리

가장 실용적인 장점입니다. 사진을 넣으면 먼저 “이 잡음은 p가 대략 1.3이네” 하고 스스로 추정합니다. 그다음 그 값에 맞춰 하나의 AI가 알아서 방식을 바꿔 잡음을 지웁니다.

비유하자면 카메라용, 현미경용, 레이더용 청소기를 따로 사지 않아도 되는 셈입니다. 바닥 재질을 스스로 알아보고 모드를 바꾸는 청소기 한 대로 해결하는 거죠.

5. 결과는?

  • 잡음 종류를 잘못 맞춘 AI는 성능이 크게 떨어졌습니다.
  • 이 방법은 잡음 종류를 스스로 추정하고도, 종류별 전문 AI 5개 중 정답을 골라 쓴 경우와 거의 같은 성능을 냈습니다.
  • 일반 사진, 현미경 세포 사진, 위성 레이더 영상 모두에서 기존 방법과 비슷하거나 더 좋았습니다.

한 줄 요약: 장비마다 다른 잡음을 “성격(p)과 양(ν)” 두 숫자로 정리하고, AI 하나가 잡음의 성격을 알아본 뒤 맞춤형으로 지워주는 기술입니다.

제안 방법 시각화

Fig 1

Fig 2

관련 개념

신호 의존 잡음과 “잡음 평면”이라는 문제 설정

영상 잡음 제거는 획득 과정에서 오염된 측정으로부터 장면 정보를 복원하는 문제입니다. 고전 방법은 관측 모델과 희소성·비국소 유사성 기반 사전(prior)을 결합했고, 플러그 앤 플레이 방법은 학습된 디노이저를 모델 기반 최적화에 넣었습니다. 어느 쪽이든 깨끗한 영상에 대한 사전 과 관측에 대한 통계적 기술 두 가지가 필요합니다. 문제는 물리적 영상 장치마다 관측 통계가 크게 다르다는 점입니다.

📷 1. 센서마다 다른 잡음 법칙

획득 방식 잡음 특성 대응 Tweedie 지수
카메라·형광 현미경의 광자 계수 신호 의존 변동(shot noise) $p=1$ (Poisson)
코히런트 영상(SAR) 곱셈형 스페클 $p=2$ (Gamma)
증폭 이득이 있는 검출기 과잉 잡음(excess noise) $1<p<2$ (복합 Poisson–Gamma)
읽기 잡음이 지배적인 경우 신호 무관 가산 잡음 $p=0$ (Gaussian)

이 때문에 “잡음 수준” 하나로는 서로 다른 영상 체제의 열화를 기술할 수 없습니다. 논문은 분산이 강도에 어떻게 의존하는지를 나타내는 지수 $p$ 와 잡음의 세기를 나타내는 누적 측정량 $\nu$ 를 두 좌표로 삼아, 이를 잡음 평면(noise plane) 이라고 부릅니다. $p$ 는 잡음 법칙의 변화(Figure 1)를, $\nu$ 는 측정 궤적 위의 이동(Figure 2)을 구분합니다.

🧭 2. 기존 접근과의 위치

계열 대표 한계
분산 안정화 변환(VST) Anscombe, 로그 변환, Noise2VST 관측을 변환할 뿐, 디노이징 궤적에서 분포가 어떻게 진화해야 하는지는 지정하지 않음
물리 기반 잡음 모델 다크 프레임 보정 등 다른 센서로 옮기려면 해당 잡음 모델과 보정 절차가 따로 필요
복원 브리지 I2SB, RDBM, E-Bridge, System-Embedded Bridge 가산 가우시안 측정 모델 중심
사전 적응 DDRM, DPS, IRBridge DPS 는 Poisson 우도를 쓰지만 가우시안 확산 사전을 유지
비가우시안 확산 Xie et al.(Gaussian/Gamma/Poisson), Learning to Jump, Star-Shaped DDPM 특정 법칙 또는 이산적 족
측정 색인 브리지 Gamma Bridge (룩 수 색인) $p=2$ 만 다룸

$p$-Bridge 는 Gamma Bridge 의 측정 색인 정식화를 Gaussian 점과 Poisson–Gamma 연속체 로 확장하고, 공통 중첩 구성과 단일 지수 조건화 네트워크를 씁니다. 잡음 추정 측면에서는 추정된 $p$ 가 브리지의 측정 법칙을, 추정된 $\nu$ 가 시작 잡음 수준을 정하며, $\nu$ 의 스케일이 $p$ 에 의존하므로 두 파라미터를 함께 적합합니다.

💡 Key Takeaway 잡음은 “얼마나 센가”($\nu$)만이 아니라 “강도에 따라 어떻게 커지는가”($p$)로 기술해야 하며, 이 두 좌표가 이루는 잡음 평면 위에서 디노이징 궤적을 정의하는 것이 이 논문의 출발점입니다.

지수 분산 모델과 Tweedie 족

브리지의 수학적 토대는 Jørgensen 의 지수 분산 모델(exponential dispersion model, EDM) 입니다.

🧮 1. 가법형 EDM 과 모멘트

누적 신호 $Z$ 가 가법형 EDM $Z\sim\mathrm{ED}^{*}(\theta,\nu)$ 를 따른다고 쓰면 밀도는

$$ f_{Z}(z;\theta,\nu)=c^{*}(z;\nu)\exp{\theta z-\nu\kappa(\theta)} \tag{1} $$

입니다. $\theta$ 는 자연 파라미터, $\kappa$ 는 누율 함수(cumulant function), $c^{*}$ 는 $\theta$ 와 무관한 비음 인자입니다. 밀도는 적절한 지배 측도에 대해 정의되므로 연속·이산·혼합 분포를 모두 포괄합니다. 정규화 조건에서 $\nu\kappa(\theta)$ 가 로그 정규화 상수가 되고, 그 도함수가 모멘트를 줍니다.

$$ \mathbb{E}[Z]=\nu\kappa’(\theta),\qquad \operatorname{Var}(Z)=\nu\kappa’’(\theta) \tag{2} $$

측정 강도는 $x=Z/\nu$ 이며, 평균 사상 $\tau$ 와 분산 함수 $V$ 는

$$ \mu=\tau(\theta)=\kappa’(\theta),\qquad V(\mu)=\kappa’‘\big(\tau^{-1}(\mu)\big) \tag{3} $$

로 정의됩니다. 따라서 강도의 평균은 $\mu$, 분산은 $V(\mu)/\nu$ 입니다. 고정된 족에서는 $\tau$ 도 $V$ 도 $\nu$ 에 의존하지 않으므로 측정 색인을 바꾸면 평균은 그대로 두고 잡음 수준만 바뀝니다. $\tau’(\theta)=\kappa’’(\theta)>0$ 이므로 $\tau$ 는 평균 영역 $\Omega$ 로의 가역 사상이고, 그 역은 일반화 선형 모델의 정준 연결(canonical link)입니다.

📐 2. Tweedie 멱 분산 족 (Table S1)

Tweedie 모델은 $V(\mu)=\mu^{p}$ 를 가집니다. 논문이 지원하는 네 분기의 함수는 다음과 같습니다. 여기서 $b=(1-p)\theta>0$ ($1<p<2$)이며, 자연 파라미터는 $p=0,1$ 에서 $\mathbb{R}$ 전체, $1<p\le 2$ 에서 음수입니다.

  Gaussian Poisson Poisson–Gamma Gamma
$p$ $0$ $1$ $(1,2)$ $2$
$\kappa(\theta)$ $\sigma^{2}\theta^{2}/2$ $e^{\theta}$ $b^{(2-p)/(1-p)}/(2-p)$ $-\log(-\theta)$
$\tau(\theta)$ $\sigma^{2}\theta$ $e^{\theta}$ $b^{1/(1-p)}$ $-1/\theta$
$V(\mu)$ $\sigma^{2}$ $\mu$ $\mu^{p}$ $\mu^{2}$
$\tau^{-1}(\mu)$ $\mu/\sigma^{2}$ $\log\mu$ $\mu^{1-p}/(1-p)$ $-1/\mu$

Gaussian 분기에서는 고정 분산 스케일 $\sigma^{2}$ 를 허용하며 $\sigma^{2}=1$ 로 두면 $V(\mu)=\mu^{0}$ 가 됩니다. 물리적 측정량 $a$ 가 분산 $\phi V(\mu)/a$ 를 주면 $\nu=a/\phi$ 로 두어 $V(\mu)/\nu$ 를 회복하므로, 보정(calibration)이 물리 측정량에서 색인으로의 변환을 정합니다.

🔢 3. 허용 지수 범위 (S6-A)

Tweedie EDM 은 $p\notin(0,1)$ 에서 존재합니다. 흔히 쓰는 지수 변환 $\alpha_{\mathrm{s} }=(p-2)/(p-1)$ 에서 복합 Poisson–Gamma 범위의 $-\alpha_{\mathrm{s} }=(2-p)/(p-1)$ 는 양의 점프 형상 모수입니다. $p>2$ 의 양의 지지 모델(예: $p=3$ 의 역가우시안)도 존재하지만 이 프레임워크의 범위 밖입니다. 논문은 ${0}\cup[1,2]$ 를 다룹니다.

💡 Key Takeaway $Z\sim\mathrm{ED}^{*}(\theta,\nu)$ 에서 강도 $x=Z/\nu$ 의 평균은 $\mu$, 분산은 $\mu^{p}/\nu$ 입니다. $p$ 는 족을 고르고 $\nu$ 는 잡음 수준만 조절하는 구조가 브리지 전체의 핵심 성질입니다.

측정 색인 브리지의 정식화

🧩 1. 관측 모델과 닫힘성

깨끗한 영상을 $x_{\star}$, 색인 $\nu>0$ 에서의 강도 측정을 $x_{\nu}$ 라고 하면 가정은

$$ \mathbb{E}[x_{\nu}\mid x_{\star}]=x_{\star},\qquad \operatorname{Var}(x_{\nu}\mid x_{\star})=\frac{V(x_{\star})}{\nu} \tag{4} $$

입니다. 추가 분산 스케일은 $\nu$ 에 흡수됩니다. 브리지는 측정을 결합하는 규칙이 필요합니다. 같은 장면의 두 독립 측정을 $\nu_{1},\nu_{2}$ 로 가중 평균하면 색인 $\nu_{1}+\nu_{2}$ 에서 같은 족에 남아야 합니다. 누적 신호 $Z_{\nu}=\nu x_{\nu}$ 로 쓰면 독립인 $Z_{1}\sim\mathrm{ED}^{}(\theta,\nu_{1})$, $Z_{2}\sim\mathrm{ED}^{}(\theta,\nu_{2})$ 에 대해

$$ Z_{1}+Z_{2}\sim\mathrm{ED}^{*}(\theta,\nu_{1}+\nu_{2}) \tag{5} $$

입니다. Poisson 중첩과 공통 비율의 Gamma 가법이 여기에 포함됩니다. 증명은 누율 생성 함수 $K_{Z}(s)=\nu[\kappa(\theta+s)-\kappa(\theta)]$ 의 가법성에서 바로 나옵니다(S2-A). 자연 파라미터가 다르면 닫힘성이 보장되지 않습니다.

📉 2. 감소 스케줄 위의 주변 분포

측정 분포를 감소 스케줄 $\nu(0)=\nu_{\mathrm{max} }>\cdots>\nu(T-1)=\nu_{\mathrm{obs} }$ 위에 배치합니다.

$$ Z_{t}\mid x_{\star}\sim\mathrm{ED}^{*}(\theta_{\star},\nu(t)),\qquad x_{t}=\frac{Z_{t} }{\nu(t)} \tag{6} $$

여기서 $\theta_{\star}=\tau^{-1}(x_{\star})$ 입니다. 마지막 주변 분포는 $\nu_{\mathrm{obs} }$ 에서의 관측 모델과 일치하고, 유한한 초기 상태 $x_{0}$ 는 여전히 잡음을 포함 합니다. 깨끗한 영상은 $\nu\to\infty$ 에서 조건부 평균제곱 의미로 접근합니다.

$$ \mathbb{E}[(x_{\nu}-x_{\star})^{2}\mid x_{\star}]=\frac{V(x_{\star})}{\nu}\longrightarrow 0\quad(\nu\to\infty) $$

색인 $\nu$ 는 잡음 진폭이 아니라 누적 측정량 을 뜻합니다. 색인이 클수록 덜 잡음 낀 측정이므로, 순방향 과정은 $\nu$ 를 줄이고 디노이징은 $\nu$ 를 늘립니다.

📋 3. 가정 A1–A5 (S1-B)

가정 내용 역할
A1 가법 족이 무한 분해 가능하고 모든 $\nu\in(0,\infty)$ 에서 정의됨 임의의 양의 측정 증분 허용. 시행 횟수로 모수화된 이항 모델은 정수 색인만 허용하므로 실수 스케줄을 지원하지 못함
A2 평균 사상 $\tau=\kappa’$ 가 $\operatorname{int}\Theta$ 에서 $\Omega$ 로의 전단사 $\theta_{\star}=\tau^{-1}(x_{\star})$ 가 유일하게 존재
A3 스케줄이 강감소: $0<\nu_{\mathrm{obs} }<\cdots<\nu_{\mathrm{max} }<\infty$ 모든 역방향 스텝의 증분 $\Delta_{t}=\nu(t-1)-\nu(t)>0$
A4 $x_{\star}$ 조건부로 초기 상태와 모든 증분이 상호 독립이며 $\theta_{\star}$ 를 공유 중첩에 필요한 독립성. 브리지 상태들끼리의 독립을 주장하는 것은 아님
A5 모든 분포 항등식은 픽셀 단위 분산은 개별 픽셀 강도에 대한 것

💡 Key Takeaway 브리지는 “같은 장면의 독립 측정을 더하면 같은 족에 남는다”는 닫힘성(Eq. 5) 하나로 세워지며, 주변 분포만으로는 시간에 걸친 결합 분포가 유일하게 정해지지 않으므로 다음 절의 결합(coupling)이 필요합니다.

중첩 결합과 $p$ 에 무관한 역방향 평균

🔁 1. Theorem 1 (중첩 결합)

역방향 스텝은 $\nu(t)$ 에서 더 큰 $\nu(t-1)$ 로 이동합니다. 부족한 양 $\Delta_{t}=\nu(t-1)-\nu(t)>0$ 은 독립 측정 증분으로 공급할 수 있습니다.

Theorem 1. $t=1,\ldots,T-1$ 에 대해 $Y_{t\to t-1}\sim\mathrm{ED}^{}(\theta_{\star},\Delta_{t})$ 가 $Z_{t}$ 와 독립이면 $Z_{t}+Y_{t\to t-1}\sim\mathrm{ED}^{}(\theta_{\star},\nu(t-1))$ 이다. 즉,

$$ x_{t-1}=\alpha_{t}x_{t}+\frac{Y_{t\to t-1} }{\nu(t-1)},\qquad \alpha_{t}=\frac{\nu(t)}{\nu(t-1)} \tag{7} $$

확률적 역방향은 독립 측정 증분을 더하는 것 입니다. $p=2$ 에서는 Gamma Bridge 갱신을, $p=1$ 에서는 대응하는 Poisson 구성을 회복합니다. $x_{\star}$ 를 네트워크 예측 $\hat{x}_{\star}$ 로 바꾸면 플러그인 확률 전이가, 증분을 그 조건부 평균으로 바꾸면 결정론적 갱신이 됩니다.

🎯 2. Theorem 2 (역방향 평균의 $p$-독립성)

Theorem 2. $(x_{t},\hat{x}{\star})$, $\hat{x}{\star}\in\Omega$ 가 주어지고 $Y_{t\to t-1}\mid(x_{t},\hat{x}{\star})\sim\mathrm{ED}^{*}(\tau^{-1}(\hat{x}{\star}),\Delta_{t})$ 를 뽑으면

$$ \mathbb{E}[x_{t-1}\mid x_{t},\hat{x}{\star}]=\alpha{t}x_{t}+(1-\alpha_{t})\hat{x}_{\star} \tag{8} $$

이며 계수 $\alpha_{t}$ 는 측정 스케줄에만 의존하고 $p$ 에는 의존하지 않는다.

증명은 Eq. 2 의 1차 모멘트에서 $\mathbb{E}[Y_{t\to t-1}\mid x_{t},\hat{x}{\star}]=\Delta{t}\kappa’(\hat{\theta}{\star})=\Delta{t}\hat{x}{\star}$ 를 얻고, Eq. 7 의 조건부 기대를 취해 $\Delta{t}/\nu(t-1)=1-\alpha_{t}$ 를 쓰면 끝납니다(S2-C). 증분 분포와 네트워크 예측은 $p$ 에 의존할 수 있지만 혼합 계수는 그렇지 않습니다. 오라클 예측 $\hat{x}{\star}=x{\star}$ 과 올바른 관측 모델 초기화에서 독립 증분은 중첩 결합의 결합 법칙을 재현합니다.

⚖️ 3. 확률 샘플러와 결정론 샘플러의 차이 (S2-E)

성질 확률적 갱신(Eq. 7) 결정론적 갱신(Eq. 8)
오라클 평균 보존 예 예 (귀납으로 스케줄 전체에서 $\mathbb{E}[x_{t-1}]=x_{\star}$)
브리지 주변 분포 보존 예 (Theorem 1) 아니오
브리지 입력의 조건부 분산 $V(x_{\star})/\nu(t-1)$ $\alpha_{t}^{2}V(x_{\star})/\nu(t)=\alpha_{t}V(x_{\star})/\nu(t-1)$, 목표보다 작음
결합 궤적 역시간 Markov. $q(z_{T-1},\dots,z_{0}\mid x_{\star})=q(z_{T-1}\mid x_{\star})\prod_{t}q(z_{t-1}\mid z_{t},x_{\star})$ (S3) 역방향 평균만 따름

따라서 물리적 측정 주변 분포와 오라클 분포 정확성은 확률 구성에 적용 되고, 결정론 샘플러는 그 역방향 평균을 따릅니다. 고정 관측 $Z_{T-1}=z_{\mathrm{obs} }$ 에서는 같은 전이가 그 관측에 조건부인 궤적을 생성합니다.

🧮 4. 측정 가중 강도 평균 (S2-D)

$x_{i}\sim\mathrm{ED}(\mu,1/w_{i})$ 가 독립이고 가중치 $w_{i}>0$ 이면

$$ \frac{\sum_{i}w_{i}x_{i} }{\sum_{i}w_{i} }\sim\mathrm{ED}!\left(\mu,\ \frac{1}{\sum_{i}w_{i} }\right) \tag{S2} $$

입니다. 가중 평균이 평균 $\mu$, 색인 $\sum_{i}w_{i}$ 로 같은 족에 남는다는 뜻이며, 노출·선량·룩 수가 센서 모델과 보정이 가정을 만족할 때 색인 역할을 할 수 있습니다.

💡 Key Takeaway 역방향 평균 $\alpha_{t}x_{t}+(1-\alpha_{t})\hat{x}_{\star}$ 의 혼합 계수는 측정 스케줄만으로 정해지므로, 잡음 법칙 $p$ 가 달라져도 갱신 식은 공유되고 네트워크 예측만 $p$ 에 맞게 적응하면 됩니다.

단위 편차와 평균 최적 복원

📏 1. Bregman 표현 (Eq. 9)

$y,\mu\in\Omega$ 에 대해 단위 편차(unit deviance)는 켤레 함수 $\psi=\kappa^{*}$ 가 생성하는 Bregman 발산의 두 배입니다.

$$ d(y,\mu)=2B_{\psi}(y,\mu) \tag{9} $$

켤레성에서 $\psi(\mu)=\mu\,\tau^{-1}(\mu)-\kappa(\tau^{-1}(\mu))$, $\psi’(\mu)=\tau^{-1}(\mu)=\theta$ 이고(S4), $\tilde{\theta}=\tau^{-1}(y)$ 로 전개하면

$$ B_{\psi}(y,\mu)=y(\tilde{\theta}-\theta)-\kappa(\tilde{\theta})+\kappa(\theta)=\tfrac{1}{2}d(y,\mu) $$

가 됩니다. 이 표현이 잡음 모델에 걸쳐 공유되는 복원 목적 을 줍니다.

🎯 2. Theorem 3 (평균 최적 복원)

Theorem 3. $Y$ 가 $d$ 의 영역에 값을 갖고 $\mathbb{E}[ Y ]<\infty$, $m=\mathbb{E}[Y]\in\Omega$, $\mathbb{E}[d(Y,m)]<\infty$ 이면

$$ \arg\min_{\mu\in\Omega}\mathbb{E}[d(Y,\mu)]=m $$

이 유일하다. 깨끗한 영상에 조건부로 적용하면 최적 복원은 $\mathbb{E}[x_{\star}\mid x_{t},x_{\mathrm{obs} }]$ 이다.

증명의 핵심은 $\psi’’(\mu)=1/V(\mu)$ 로부터 $\partial_{\mu}B_{\psi}(y,\mu)=-(y-\mu)/V(\mu)$ 를 얻는 것과, 미분·기대의 교환 없이도 성립하는 분해

$$ \mathbb{E}[d(Y,\mu)]=\mathbb{E}[d(Y,m)]+d(m,\mu) \tag{S6} $$

입니다. 교차항은 $Y-m$ 에 선형이라 기대가 0 이고, $\psi$ 의 강볼록성으로 $d(m,\mu)$ 는 $\mu=m$ 에서 유일 최소입니다. 유계 범위 $\mathcal{X}=[\epsilon,1]$, $\epsilon>0$ 는 이 조건을 만족합니다. 이 결과가 복원 항을 Eq. 8 의 역방향 갱신이 요구하는 조건부 평균과 정렬 시킵니다.

🧮 3. Tweedie 편차의 공통 기울기와 닫힌 형태

멱 분산 족에서 편차의 기울기는

$$ \partial_{\mu}d_{p}(y,\mu)=-\frac{2(y-\mu)}{\mu^{p} } \tag{10} $$

이며, $d_{p}(y,y)=0$ 으로 적분 상수를 정하면 $p\notin{0,1,2}$ 에서

$$ d_{p}(y,\mu)=2\left[\frac{y^{2-p} }{(1-p)(2-p)}-\frac{y\,\mu^{1-p} }{1-p}+\frac{\mu^{2-p} }{2-p}\right] \tag{S7} $$

이고, 특수 지수에서는 다음과 같습니다(S8).

$p$ $d_{p}(y,\mu)$ 이름
0 $(y-\mu)^{2}$ 제곱 오차
1 $2[y\log(y/\mu)-(y-\mu)]$ Poisson 편차
2 $2[y/\mu-\log(y/\mu)-1]$ Itakura–Saito 발산의 두 배

Poisson 과 Gamma 는 $p\to1$, $p\to2$ 극한에서 멱항이 로그로 바뀌어 나옵니다.

💡 Key Takeaway 단위 편차는 Bregman 발산이므로 기대 편차의 유일 최소점은 조건부 평균입니다. 그래서 하나의 손실 형태 $d_{p}$ 가 모든 지수에서 역방향 갱신에 필요한 $\mathbb{E}[x_{\star}\mid x_{t},x_{\mathrm{obs} }]$ 를 학습 목표로 만듭니다.

지수별 희석 커널과 잠재 복합 Poisson–Gamma 구성

학습 결합과 측정 수준 초기화에는 누적 측정의 일부를 제거하는 하향 전이(thinning) 가 필요합니다.

🔽 1. 희석 커널의 $\theta_{\star}$-독립성 (Eq. 11)

중첩 결합 아래에서 하향 전이의 밀도 또는 질량은

$$ q(z_{t}\mid z_{t-1};\theta_{\star})=\frac{c^{}(z_{t};\nu(t))\,c^{}(z_{t-1}-z_{t};\Delta_{t})}{c^{*}(z_{t-1};\nu(t-1))} \tag{11} $$

입니다. $(Z_{t},Z_{t-1}-Z_{t})$ 는 A4 에 의해 같은 $\theta_{\star}$ 의 독립 변수이므로 결합 밀도는 Eq. 1 두 개의 곱이고, 지수 인자 $e^{\theta_{\star}z_{t-1}-\nu(t-1)\kappa(\theta_{\star})}$ 는 조건부 합 $z_{t-1}$ 에만 의존해 약분됩니다. 충분 통계량 $Z_{t-1}$ 에 조건부로 두면 모든 지원 지수에서 $\theta_{\star}$ 가 사라집니다. 복합 법칙에서는 Eq. 11 이 양 끝점의 원자(atom)와 연속 성분을 모두 포함합니다.

📋 2. Table I: 지수별 브리지 상태와 희석 커널

$z:=z_{t-1}$, $\alpha_{t}=\nu(t)/\nu(t-1)$, $\Delta_{t}=\nu(t-1)-\nu(t)$, $\xi\sim\mathcal{N}(0,1)$ 입니다.

$p$ $x_{\nu}$ 색인 $c^{*}(z;\nu)$ $q(z_{t}\mid z)$
0 $x_{\star}+\sigma\xi/\sqrt{\nu}$ 프레임 수 $\propto e^{-z^{2}/(2\nu\sigma^{2})}$ $\mathcal{N}(\alpha_{t}z,\sigma^{2}\alpha_{t}\Delta_{t})$
1 $\mathrm{Pois}(\nu x_{\star})/\nu$ 노출 $\nu^{z}/z!$ $\mathrm{Binomial}(z,\alpha_{t})$
$(1,2)$ $Z_{\nu}/\nu$ 노출 급수 Binom. → Beta (잠재 2단계)
2 $\Gamma(\nu,\nu/x_{\star})$ 룩 수 $z^{\nu-1}/\Gamma(\nu)$ $z_{t}/z\sim\mathrm{Beta}(\nu(t),\Delta_{t})$

유도 요점(S4-B):

  • Gaussian: 분자가 $z_{t}$ 의 가우시안이며 정밀도 $\nu(t-1)/(\sigma^{2}\nu(t)\Delta_{t})$, 선형 계수 $z_{t-1}/(\Delta_{t}\sigma^{2})$ 에서 평균 $\alpha_{t}z_{t-1}$, 분산 $\sigma^{2}\alpha_{t}\Delta_{t}$ 를 얻습니다.
  • Poisson: $c^{*}(z;\nu)=\nu^{z}/z!$ 를 넣으면 $\binom{z_{t-1} }{z_{t} }\alpha_{t}^{z_{t} }(1-\alpha_{t})^{z_{t-1}-z_{t} }$, 즉 각 계수를 확률 $\alpha_{t}$ 로 독립 보존하는 이항 희석입니다.
  • Gamma: $u=z_{t}/z_{t-1}$ 로 치환하면 $z_{t-1}$ 의 거듭제곱이 $\nu(t)+\Delta_{t}-\nu(t-1)=0$ 으로 모두 소거되어 $U\sim\mathrm{Beta}(\nu(t),\Delta_{t})$ 가 합과 독립으로 나옵니다(Lukacs 의 Beta–Gamma 항등식).

🧬 3. Proposition 4: 중간 지수의 잠재 희석 (Eq. 12)

$1<p<2$ 에서는 $Z_{\nu}=\sum_{i=1}^{N_{\nu} }J_{i}$, $N_{\nu}\sim\mathrm{Pois}(\lambda\nu)$, 점프 $J_{i}\sim\Gamma(\alpha,\beta)$(형상–척도)로 두고

$$ \lambda=\frac{\mu^{2-p} }{2-p},\qquad \alpha=\frac{2-p}{p-1},\qquad \beta=(p-1)\mu^{p-1} \tag{12} $$

로 놓으면 $\mathbb{E}[Z_{\nu}]=\nu\mu$, $\operatorname{Var}(Z_{\nu})=\nu\mu^{p}$ 입니다. $N_{t-1}=n$, $Z_{t-1}=z$ 에 조건부로

  1. 계수 희석: $N_{t}=n_{1}\sim\mathrm{Binomial}(n,\alpha_{t})$
  2. 진폭 분할: $0<n_{1}<n$ 이면 $Z_{t}/z\sim\mathrm{Beta}(n_{1}\alpha,(n-n_{1})\alpha)$
  3. 경계: $n_{1}=0$ 이면 $Z_{t}=0$, $n_{1}=n>0$ 이면 $Z_{t}=z$, $n=0$ 이면 비율을 만들지 않음

두 층 모두 $N$ 에 조건부로 정확하며, 척도 $\beta$ 는 양쪽에서 소거됩니다. 경계 사례는 형상 0 인 Beta 를 평가하지 않고 혼합 커널의 원자를 재현합니다. 형상 $\alpha=(2-p)/(p-1)$ 는 Eq. S11 의 변환 지수의 음수와 같습니다.

🔎 4. 실제 관측의 잠재 계수 추론 (S4-D)

시뮬레이터는 계수를 보존할 수 있지만 실제 관측은 합 $Z$ 만 제공 하므로 계수를 사후 분포에서 뽑아야 합니다. 단위 분산, $z>0$ 에서

$$ \Pr[N_{\nu}=n\mid Z_{\nu}=z]\propto\frac{A^{n} }{n!\,\Gamma(n\alpha)},\qquad A=\frac{\nu\,z^{\alpha} }{(2-p)(p-1)^{\alpha} } \tag{S9} $$

이며 $n\ge1$, $z=0$ 이면 $n=0$ 입니다. 평균 $\mu$ 는 $\lambda\propto\mu^{2-p}$ 와 $\beta\propto\mu^{p-1}$ 에서 $\alpha(p-1)=2-p$ 로 소거되어 가중치가 미지의 평균과 무관 합니다. 구현은 $n_{\max}=64$ 로 잘라 정규화하고 역누적확률로 샘플링하며, 생략된 사후 질량 $\epsilon_{\mathrm{tail} }(z)$ 가 잘린 분포의 전변동 오차와 같습니다. 합성 심각도 전이 실험은 시뮬레이터가 보존한 계수를 쓰므로 추론된 계수로의 전이는 아직 평가되지 않았습니다.

⚡ 5. 과잉 잡음 인자와의 관계 (Eq. 13)

Gamma 분포 이득 $G\sim\Gamma(k,\beta)$ 의 과잉 잡음 인자는 $F^{2}=\mathbb{E}[G^{2}]/\mathbb{E}[G]^{2}=1+1/k$ 입니다. 이득 형상을 점프 형상과 동일시하면 $k=(2-p)/(p-1)$ 에서

$$ p=2-\frac{1}{F^{2} } \tag{13} $$

가 나오며, $F^{2}\to1^{+}$ 에서 $p\to1^{+}$, $F^{2}\to\infty$ 에서 $p\to2^{-}$ 인 $(1,2)$ 로의 전단사입니다. 단, 이는 점프 척도가 평균에 의존하는 Tweedie 모수화 안에서만 성립합니다. 이득 파라미터를 고정하고 사건율 $\lambda$ 만 바꾸면 $\operatorname{Var}(Z)/\mathbb{E}[Z]=(\alpha+1)\beta$ 로 선형 분산 법칙은 되지만 분포는 복합 Poisson 에 머물러 Tweedie $p=1$ 의 스케일된 Poisson 과 다릅니다. 따라서 센서에 지수를 부여하려면 FMD·SAR 실험처럼 분산–강도 보정이 필요 합니다.

💡 Key Takeaway 희석 커널은 조건부 합에만 의존해 깨끗한 신호 파라미터가 소거되고, $p=0,1,2$ 에서는 Gaussian·이항·Beta 로 닫히며, 중간 지수는 계수의 이항 희석과 진폭의 Beta 분할이라는 2단계 잠재 구성으로 복합 밀도를 평가하지 않고 샘플링합니다.

출력 파라미터화, 측정 보정, Gaussian 특수 사례

📐 1. 변동 계수와 출력 맵 (Eq. 14)

양의 깨끗한 강도에서 조건부 변동 계수는

$$ \mathrm{CV}(x_{t}\mid x_{\star})=\frac{x_{\star}^{\,p/2-1} }{\sqrt{\nu(t)} } \tag{14} $$

입니다. $p=2$ 에서는 강도와 무관하고 $p<2$ 에서는 어두운 영역으로 갈수록 커집니다. 이것이 $p=2$ 에서의 잔차 앵커링(residual anchoring) 과 $1\le p<2$ 에서의 직접 로그 강도 예측 을 동기화합니다. $p\ge1$ 에서는 지수 출력 맵으로 양의 평균을 강제하고, Gaussian 분기는 항등 맵을 씁니다.

세 영역을 구분합니다: 평균 영역 $\Omega$(양의 Tweedie 분기에서 $(0,\infty)$, 상한 없음), 정규화된 깨끗한 영상 범위 $\mathcal{X}=[\epsilon,1]$, 관측 지지. 샘플러는 예측 $\hat{x}_{\star}$ 만 $\mathcal{X}$ 로 클리핑하고 샘플 상태는 클리핑하지 않습니다. 복합 관측은 0 이거나 깨끗한 범위를 넘을 수 있습니다.

🔧 2. 복사 이득과 색인 추정 (Eq. 15)

균질 패치에서 $\hat{\nu}=V(\bar{x})/\hat{\sigma}^{2}$ 로 정의하면 복사 재스케일 $x\mapsto cx$, $c>0$ 에서 $\bar{x}\mapsto c\bar{x}$, $\hat{\sigma}^{2}\mapsto c^{2}\hat{\sigma}^{2}$ 이므로

$$ \hat{\nu}\longmapsto c^{p-2}\hat{\nu} \tag{15} $$

입니다. $p=2$ 에서만 추정 색인이 곱셈 이득에 불변 이며, 다른 지수에서는 지정된 강도 스케일에 상대적으로 보고해야 합니다. 이것이 강도 스케일 보정과 $(p,\nu)$ 의 결합 추정을 요구합니다.

🔔 3. Gaussian 분기와 EDM 과의 차이 (Eq. 16, S6-B)

$p=0$ 에서 $V(\mu)=\sigma^{2}$, $\sigma_{t}^{2}=\sigma^{2}/\nu(t)$ 로 쓰면

$$ x_{t}=x_{\star}+\sigma_{t}\xi,\qquad \xi\sim\mathcal{N}(0,I) \tag{16} $$

이며 이는 VE-SDE / EDM 의 잡음 파라미터화와 같은 주변 분포입니다. 그러나 결정론 갱신은 다릅니다. $\alpha_{t}=\sigma_{t-1}^{2}/\sigma_{t}^{2}$ 이므로

갱신 식 현재 상태 계수
$p$-Bridge (Eq. 8) $x_{t-1}=\hat{x}{\star}+\dfrac{\sigma{t-1}^{2} }{\sigma_{t}^{2} }(x_{t}-\hat{x}_{\star})$ 분산비
EDM 확률 흐름 ODE Euler $x_{t-1}=\hat{x}{\star}+\dfrac{\sigma{t-1} }{\sigma_{t} }(x_{t}-\hat{x}_{\star})$ 표준편차비

예컨대 $\sigma=2\to1$ 스텝에서 변위의 1/4 을 유지하는 것과 1/2 을 유지하는 것의 차이입니다. 단위 분산 관례는 제곱 오차 편차를 주고, $\sigma^{2}$ 를 유지하면 $\sigma^{-2}$ 배가 됩니다. 조건부 네트워크는 $p\in[1,2]$ 를 담당하고 $p=0$ 은 별도 분기로 평가합니다.

독립 Gaussian 읽기 잡음을 더하면 일반적으로 단일 지수 족을 벗어나며, 노출당 고정 읽기 분산은 정규화 강도에 $\sigma_{\mathrm{r} }^{2}/\nu^{2}$ 로 기여해 Eq. 4 의 $1/\nu$ 스케일링과 다릅니다. 이 설정으로의 확장은 호환되는 독립 증분을 갖는 누적 잡음 모델이 필요합니다. 실제 데이터에서는 적합된 지수가 보정 범위에서의 분산–강도 관계를 요약합니다.

💡 Key Takeaway 상대 잡음은 $p<2$ 에서 어두운 곳에 집중되므로 출력 파라미터화가 지수별로 달라지고, 색인 추정은 $p=2$ 외에는 이득에 민감하므로 $(p,\nu)$ 를 함께 보정해야 합니다. Gaussian 점에서도 역방향 계수가 EDM 과 달라 이 브리지는 기존 확산의 단순 재서술이 아닙니다.

학습 목적: 편차 복원, 모멘트, 일관성

전체 손실은 $\mathcal{L}=\lambda_{\mathrm{rec} }\mathcal{L}{\mathrm{rec} }+\lambda{\mathrm{mom} }\mathcal{L}{\mathrm{mom} }+\lambda{\mathrm{cons} }\mathcal{L}_{\mathrm{cons} }$ 이며 가중치는 $(10,1,5)$ 로 고정합니다.

🎯 1. 복원 항과 상수 스케줄 가중 (Eq. 17)

$$ \mathcal{L}{\mathrm{rec} }=\mathbb{E}\big[w\,d{p}(x_{\star},\hat{x}{\star}(x{t};t,x_{\mathrm{obs} }))\big],\qquad w=\mathbb{E}{t}[\nu(t)/\nu{\mathrm{obs} }] \tag{17} $$

우도비 스케일은 $\nu(t)$ 에 비례하는 시간 의존 가중을 주지만, 논문은 정규화 가중 $\nu(t)/\nu_{\mathrm{obs} }$ 를 학습 스텝에 대한 평균으로 대체 합니다. 평균 가중과 점별 복원 최적점은 유지하면서 가중을 스텝에 균등 배분하는 선택이며, 스텝을 ${t_{\min},\ldots,T-1}$ 에서 균등 샘플링하므로 $w=\frac{1}{T-t_{\min} }\sum_{t}\nu(t)/\nu_{\mathrm{obs} }$ 로 계산됩니다. 조건부 모델은 추가로 지수 의존 가중 $\mu_{\mathrm{ref} }^{\,2-p}$ 를 곱합니다.

📊 2. 모멘트 항 (Eq. 18–19)

Pearson 잔차

$$ \varepsilon=\frac{x_{\mathrm{obs} }-\hat{x}{\star} }{\sqrt{V(\hat{x}{\star})/\nu_{\mathrm{obs} } } } \tag{19} $$

에 대해

$$ \mathcal{L}_{\mathrm{mom} }=(\bar{\varepsilon})^{2}+\big(\widehat{\operatorname{Var} }(\varepsilon)-1\big)^{2} \tag{18} $$

입니다. 오라클 예측에서 잔차는 평균 0·분산 1 이고 고차 모멘트는 잡음 모델에 의존합니다($p=1$ 에서 왜도 $(\nu_{\mathrm{obs} }x_{\star})^{-1/2}$). $p=2$ 에서는 스페클 비율 분산 제약으로, $p=1$ 에서는 예측 Poisson 분산으로 표준화된 계수 잔차로 환원됩니다. 공간 의존성은 풀링 추정의 신뢰도에 영향을 주며, 학습된 예측에서는 이 항이 잔차 통계를 정규화하고 복원 최적점을 이동시킬 수 있습니다.

🔁 3. 일관성(궤적) 항 (Eq. 20)

$$ \mathcal{L}{\mathrm{cons} }=\mathbb{E}\big[\nu(t’)\,d{p}(x_{\star},\hat{x}{\star}(x{t’};t’,x_{\mathrm{obs} }))\big],\qquad x_{t’}=\tilde{\alpha}x_{t}+(1-\tilde{\alpha})\operatorname{sg}(\hat{x}_{\star}),\quad \tilde{\alpha}=\nu(t)/\nu(t’),\ t’<t \tag{20} $$

한 번의 결정론 갱신으로 생성한 상태에서 네트워크를 평가하며, stop-gradient 가 생성 예측을 통한 미분을 막습니다. S7 은 왜 이 항이 필요한지 설명합니다. 네트워크가 순방향 상태에서 점별 최적($\nabla_{\theta}\mathcal{L}_{\mathrm{rec} }=0$)이라도

$$ \nabla_{\theta}\mathcal{L}{\mathrm{cons} }=\mathbb{E}!\left[-\frac{2\,\nu(t’)\,(x{\star}-\hat{x}{\star}(x{t’}))}{V(\hat{x}{\star}(x{t’}))}\nabla_{\theta}\hat{x}{\star}(x{t’})\right] \tag{S12} $$

는 생성 상태의 결합 분포가 순방향 학습 분포와 다를 수 있으므로 0 이 아닐 수 있습니다. 즉 복원 항과 일관성 항은 같은 목표를 다른 상태 분포에서 평가 하며, 일관성 항이 이 분포 이동을 다룹니다.

💡 Key Takeaway 복원 항은 조건부 평균을, 모멘트 항은 잔차의 1·2차 통계를, 일관성 항은 샘플러가 실제로 방문하는 상태에서의 예측을 맞춥니다. 제거 실험에서 상수 가중(−0.345 dB)과 일관성 항(−0.210 dB)이 가장 큰 차이를 냅니다.

실험 설정

🧪 1. 데이터·모델·학습

항목 설정
학습 데이터 BSDS500 + DIV2K 깨끗한 자연 영상 1,100장, $256\times256$ 크롭, 강도를 오프셋으로 $\mathcal{X}=[0.05,1]$ 에 매핑
합성 평가 held-out 크롭 64개, $p_{\mathrm{data} }\in{1,1.25,1.5,1.75,2}$, 심각도 $\eta\in{0.25,0.5,1}$(약함·보통·심함), 오염 시드 3개 평균. 외부 방법 비교는 $p_{\mathrm{data} }\in{1,1.5,2}$
실제 데이터 FMD 형광 현미경 12개 구성으로 잡음 보정, 복원 비교는 3개 구성(필드 19개로 20,000 스텝 미세조정, 1개 held-out). SAR 은 miniSAR, FARAD-X, TerraSAR-X
네트워크 시간 임베딩 UNet, 고정 지수 15.19M, 지수 조건화 15.28M 파라미터
학습 50,000 스텝, 전역 배치 24, 워밍업 1,000, 코사인 감쇠 $10^{-4}\to10^{-7}$, 손실 가중 $(10,1,5)$
조건부 모델 마이크로배치마다 $p\sim\mathrm{Unif}{1,1.05,\ldots,2}$, 21개 브리지 구성을 캐시, 옵티마이저 스텝당 12개 마이크로배치 누적
추론 결정론 샘플링, NFE = 5
지표 PSNR/SSIM(합성, FMD 프레임 평균 기준), SAR 은 비율 영상 지표 $\mathcal{M}$·$\mathrm{RIS}$(낮을수록 좋음), 보충에서 어두운 영역 log-RMSE

⚖️ 2. 잡음 보정 (Eq. 21)

서로 다른 잡음 모델을 비교하기 위해 기준 강도에서 상대 잡음을 맞춥니다. $\mu_{\mathrm{ref} }=0.464864$(오프셋 학습 풀의 평균 강도)에서 잡음 수준 $\eta$ 를 잡음 표준편차 대 기준 강도의 비로 정의하면 필요한 측정 색인은

$$ \nu_{\mathrm{obs} }(p)=\eta^{-2}\mu_{\mathrm{ref} }^{\,p-2} \tag{21} $$

입니다. 기준점을 벗어나면 $p<2$ 에서는 어두운 영역으로 갈수록 상대 잡음이 커지고 $p=2$ 에서는 일정합니다(Figure 4 는 강도 바닥에 닿은 픽셀 비율과 최대/최소 상대 잡음 비를 보여줍니다).

🔄 3. 심각도 전이

심한 잡음($\eta=1$)에서 학습한 모델을 재학습 없이 보통·약함 잡음에도 평가합니다. 덜 잡음 낀 입력은 학습 범위 안의 대응 측정 색인에서 샘플링을 시작합니다. 전이 시에는 조건 입력만 학습 색인 $\nu_{\mathrm{obs} }$ 로 희석하고 초기화에 쓰는 관측은 그대로 둡니다. $1<p<2$ 의 합성 평가는 이 희석에 시뮬레이터 보존 잠재 계수를 씁니다.

🛠️ 4. 기준선 구성 (S10-E)

I2SB 와 ResShift 는 같은 UNet 과 학습 풀을 쓰고, ResShift 는 픽셀 공간에서 확률 샘플링 5 스텝입니다. DDRM 은 깨끗한 풀로 학습한 무조건 DDPM 사전을 쓰며 합성 데이터에서는 실제 픽셀별 분산으로 스칼라 잡음 수준을 계산합니다. Noise2VST 는 테스트 영상마다 2,000 회 반복으로 변환을 적합하고 고정 사전학습 디노이저를 씁니다(NFE=1 은 최종 디노이징 패스). EAMamba 는 $128\times128$ 학습 크롭, 평가는 $256\times256$ 입니다.

💡 Key Takeaway 지수가 다른 잡음을 공정하게 비교하려면 기준 강도에서 상대 잡음을 맞추는 보정(Eq. 21)이 필요하며, 모든 $p$-Bridge 결과는 결정론 샘플링 5회 평가로 보고됩니다.

지수 축 위의 거동: 불일치 비용, minimax 지수, 조건부 네트워크

📉 1. 지수 불일치의 비용 (Figure 5)

각 열이 $p_{\mathrm{data} }$ 를 고정하고 행이 $p_{\mathrm{model} }$ 을 바꾸는 $5\times5$ 격자에서, 일치 모델이 모든 열·모든 잡음 수준에서 최고 PSNR 입니다.

불일치 심한 잡음에서의 PSNR 손실
Gamma 학습($p_{\mathrm{model} }=2$) → Poisson 데이터($p_{\mathrm{data} }=1$) 4.40 dB (세 잡음 수준 중 최대)
Poisson 학습 → Gamma 데이터 약 3.3 dB
$p\in{1,1.5,2}$ 부분 격자의 불일치 쌍 평균 2.00 dB

두 방향의 손해가 같지 않고, 0.25 만 떨어진 인접 지수 사이에서도 차이가 관측됩니다.

🛡️ 2. minimax 지수와 Table II

잡음 지수를 모를 때 고정 모델을 테스트 지수에 걸친 최소 PSNR 로 평가합니다.

심각도 $p=1$ 1.25 1.5 1.75 2 조건부 told $p_{\mathrm{data} }$ 조건부 blind $\hat{p}$ $\Delta$ envelope
심함 18.997 20.150 21.339 20.036 18.007 22.260 22.260 +0.921 22.254
보통 20.921 21.899 23.112 22.903 21.747 24.635 24.637 +1.525 24.631
약함 24.142 25.052 26.022 26.336 25.551 27.436 27.435 +1.099 27.431

(최소 PSNR, dB. 시드 3개 평균, NFE=5. $\Delta$ 는 blind 모델의 최선 고정 모델 대비 이득, envelope 는 오라클이 고른 전문가 집합.)

  • 심함·보통에서는 $p=1.5$ 가, 약함에서는 $p=1.75$ 가 최악 사례 PSNR 을 최대화합니다. 내부 지수가 가장 강건하지만 모든 수준에서 최적인 단일 지수는 없습니다.
  • S8-B 에 따르면 평균 불일치 손실은 평가 격자에 의존합니다($3\times3$ 에서 2.000 dB, $5\times5$ 에서 1.256 dB). 그래서 Table II 는 격자에 덜 민감한 최소 PSNR 을 공통 기준으로 씁니다.

🧠 3. $p$-조건부 네트워크

시간 임베딩 옆에 지수 임베딩을 두고 학습 시 $p$ 를 ${1,1.05,\ldots,2}$ 에서 균등 샘플링합니다.

비교 심함 보통 약함
추정 지수 사용 시 고정 $p=1.5$ 대비 이득 +0.921 +1.525 +1.413
각 심각도 최선 고정 모델 대비 이득 +0.921 +1.525 +1.099
오라클 전문가 5개 envelope 의 최소 PSNR 22.254 24.631 27.431
조건부(추정 지수) 최소 PSNR 22.260 24.637 27.435
참 지수 대비 추정 지수 차이 0.000 +0.002 −0.001

약함에서 이득이 작은 것은 $p=1.75$ 기준선이 더 강하기 때문입니다. 전문가 집합과의 최소 PSNR 차이는 최대 0.006 dB 이고, 추정 지수와 참 지수의 차이는 사실상 없습니다. 데이터 지수를 고정하고 조건 지수만 바꾸면 일치 지수가 다섯 데이터 지수·모든 잡음 수준에서 최고 PSNR 이므로 네트워크가 지수 입력을 실제로 사용함이 확인됩니다.

💡 Key Takeaway 고정 지수 모델은 불일치에 최대 4.4 dB 를 잃고 단일 minimax 지수도 없지만, 지수 조건화 단일 네트워크는 추정 지수만으로 오라클 전문가 5개와 0.006 dB 이내로 같은 최악 사례 성능을 냅니다.

비교 결과: 합성 영상, FMD, 실제 SAR

🖼️ 1. 합성 영상 (Table III)

PSNR(dB)/SSIM, 시드 3개 평균. 열은 (심각도, $p_{\mathrm{data} }$) 입니다.

방법 params(M) NFE 심함 $p{=}1$ 1.5 2 보통 $p{=}1$ 1.5 2 약함 $p{=}1$ 1.5 2
BM3D — 1 18.63/.493 17.59/.479 16.87/.467 23.19/.632 22.70/.622 22.08/.609 26.58/.763 26.21/.747 25.63/.724
VST + BM3D — 1 21.21/.485 20.12/.434 19.86/.462 23.87/.634 23.77/.638 23.62/.641 26.89/.778 26.76/.778 26.59/.776
Noise2VST 32.64 1 21.99/.543 21.53/.521 21.05/.499 24.71/.691 24.56/.689 24.40/.685 27.66/.812 27.55/.812 27.38/.811
$p$-Bridge, $p{=}0$ 15.19 5 18.67/.407 17.51/.374 16.97/.357 21.39/.541 20.04/.503 19.13/.480 24.85/.701 23.52/.666 22.42/.642
NAFNet 29.16 1 22.30/.572 22.23/.575 22.16/.576 24.64/.692 24.57/.693 24.48/.695 27.50/.810 27.41/.811 27.28/.811
Restormer 26.11 1 22.17/.570 22.09/.570 22.02/.573 24.55/.688 24.47/.689 24.37/.691 27.43/.806 27.35/.808 27.22/.808
EAMamba 25.32 1 22.28/.574 22.21/.576 22.13/.578 24.66/.695 24.59/.697 24.50/.698 27.50/.811 27.44/.813 27.31/.813
DDRM 15.11 5 20.36/.445 19.54/.401 18.74/.371 22.25/.542 21.36/.492 20.52/.448 23.40/.627 23.31/.620 23.13/.605
I2SB 15.11 5 21.61/.455 21.58/.461 21.51/.465 23.95/.608 23.94/.612 23.85/.612 27.07/.774 27.10/.781 26.99/.781
ResShift 15.11 5 21.68/.544 21.60/.545 21.51/.546 24.05/.667 23.99/.669 23.90/.670 26.77/.789 26.73/.791 26.63/.791
FBI-Denoiser 2.49 1 17.44/.238 16.42/.210 12.96/.110 22.74/.509 20.19/.350 15.23/.165 18.85/.240 15.94/.178 12.97/.103
VIRNet 10.53 1 22.32/.570 22.26/.572 22.18/.574 24.72/.695 24.66/.697 24.58/.700 27.55/.812 27.48/.814 27.36/.814
$p$-Bridge, 고정 $p{=}1.5$ 15.19 5 21.35/.465 22.34/.580 21.34/.516 23.83/.611 24.73/.704 23.11/.627 26.99/.771 27.58/.819 26.02/.763
$p$-Bridge, 조건부 blind $\hat{p}$ 15.28 5 22.39/.577 22.33/.579 22.26/.582 24.79/.700 24.73/.703 24.64/.704 27.64/.816 27.57/.818 27.44/.819
  • 조건부 $p$-Bridge 는 외부 기준선 대비 9개 설정 중 PSNR 8개, SSIM 9개 에서 최고입니다. Noise2VST 만 약함·$p=1$ 에서 PSNR 0.02 dB 앞섭니다.
  • VIRNet 대비 개선은 0.06–0.09 dB 로 작지만 일관됩니다.
  • 지수에 따른 변동이 작습니다. 심함에서 $p_{\mathrm{data} }=1\to2$ 로 갈 때 PSNR 이 0.13 dB 떨어지는 반면 Noise2VST 는 0.94 dB 떨어집니다.
  • 고정 $p=1.5$ 모델은 일치 열(1.5)에서는 조건부와 비슷하거나 약간 높지만 불일치 열에서 1 dB 안팎 손해를 봅니다. Gaussian 분기($p=0$)는 신호 의존 잡음에서 크게 뒤집니다.

🔬 2. 형광 현미경 FMD (Table IV)

PSNR/SSIM, held-out 필드, 시드 3개. ∗는 미세조정 없음, †DDRM 은 영상별 실현된 잡음 수준 사용.

방법 CF-FISH CF-MICE TP-MICE 평균
BM3D∗ 27.01/.826 33.18/.942 31.63/.886 30.61/.885
VST + BM3D∗ 25.73/.809 33.62/.946 31.55/.889 30.30/.881
Noise2VST∗ 28.58/.879 34.02/.949 32.14/.895 31.58/.908
$p$-Bridge, $p_{\mathrm{model} }{=}0$∗ 24.68/.811 31.18/.932 30.45/.887 28.77/.877
NAFNet 28.23/.878 34.06/.951 32.61/.898 31.63/.909
Restormer 28.00/.873 34.19/.951 32.39/.898 31.52/.908
EAMamba 28.00/.874 34.13/.951 32.51/.898 31.55/.908
DDRM† 22.67/.539 24.98/.546 24.88/.399 24.18/.495
I2SB 28.25/.867 34.03/.948 31.19/.880 31.15/.898
ResShift 27.98/.871 33.28/.946 31.70/.893 30.99/.903
FBI-Denoiser 21.67/.624 32.10/.888 30.57/.844 28.12/.785
VIRNet 28.70/.883 34.24/.952 32.55/.899 31.83/.911
$p$-Bridge, $p_{\mathrm{model} }{=}1.5$∗ 27.47/.868 33.47/.944 31.70/.891 30.88/.901
$p$-Bridge, 조건부 28.59/.885 34.01/.952 32.68/.899 31.76/.912

조건부 $p$-Bridge 는 평균 SSIM 1위(0.912), 평균 PSNR 2위(31.76 dB vs VIRNet 31.83) 입니다. CF-FISH·CF-MICE 에서 VIRNet 에 0.11·0.23 dB 뒤지지만 TP-MICE 에서 0.13 dB 앞서고, SSIM 은 CF-FISH 1위·나머지 둘은 VIRNet 과 공동 1위입니다. I2SB 대비 평균 PSNR 0.61 dB 높습니다. 잡음 파라미터는 학습 필드의 프레임 스택에서 보정합니다.

🛰️ 3. 실제 SAR (Table V)

$\mathcal{M}/\mathrm{RIS}$, 센서당 8개 윈도, 낮을수록 좋음.

방법 miniSAR FARAD-X TerraSAR-X 평균
BM3D 32.5/55.1 41.0/78.1 49.2/109.5 40.9/80.9
VST + BM3D 34.7/46.4 35.8/64.2 45.4/77.9 38.6/62.8
Noise2VST 25.5/37.9 30.5/50.3 39.6/77.5 31.9/55.2
$p$-Bridge, $p_{\mathrm{model} }{=}0$ 36.3/63.8 39.9/73.6 46.7/100.9 40.9/79.4
NAFNet 12.0/17.4 21.8/34.7 32.2/60.8 22.0/37.7
Restormer 29.9/48.2 41.3/78.0 47.4/103.3 39.5/76.5
EAMamba 25.4/39.6 31.5/53.6 43.4/88.9 33.4/60.7
DDRM 20.9/30.8 25.2/38.4 34.2/58.8 26.7/42.7
I2SB 12.7/18.5 30.0/50.1 34.3/65.6 25.7/44.7
ResShift 23.8/37.1 35.4/62.6 42.7/88.1 33.9/62.6
FBI-Denoiser 37.2/65.0 43.0/81.4 45.5/93.9 41.9/80.1
VIRNet 18.2/28.0 29.8/50.3 38.6/75.5 28.8/51.3
$p$-Bridge, $p_{\mathrm{model} }{=}1.5$ 33.3/56.4 43.2/83.8 49.6/111.7 42.0/84.0
$p$-Bridge, 조건부 7.3/14.2 22.4/37.4 28.6/54.4 19.4/35.3

조건부 $p$-Bridge 가 평균 19.4/35.3 으로 1위이고 NAFNet(22.0/37.7)이 뒤따릅니다. miniSAR·TerraSAR-X 에서 양 지표 1위, FARAD-X 에서는 NAFNet 이 0.6·2.7 낮아 2위입니다. 주목할 점은 고정 $p=1.5$ 모델이 SAR 에서 매우 나쁘다(42.0/84.0) 는 것으로, 스페클은 $p\approx2$ 이므로 지수 불일치의 실제 사례입니다.

💡 Key Takeaway 합성에서는 거의 전 설정 1위, FMD 에서는 SSIM 1위·PSNR 근소 2위, SAR 에서는 비율 지표 1위입니다. 특히 SAR 에서 고정 $p=1.5$ 와 조건부의 격차는 잡음 법칙을 맞추는 것이 잡음 수준을 맞추는 것만큼 중요함을 보여줍니다.

제거 실험과 샘플링 예산

🧪 1. 구성 요소 제거 (Table VI)

심한 잡음, NFE=5, 참 지수 사용. 최소 PSNR 은 테스트 데이터 지수에 걸친 최소.

구성 요소 전체 모델 제거 최소 PSNR $\Delta$
전체 조건부 모델     22.260 –
복원 가중 $\mathbb{E}{t}[\nu(t)/\nu{\mathrm{obs} }]$ $\nu(t)/\nu_{\mathrm{obs} }$ 21.916 −0.345
지수 의존 가중 $\mu_{\mathrm{ref} }^{\,2-p}$ 1 22.248 −0.012
모멘트 정규화 $\lambda_{\mathrm{mom} }=1$ 0 22.251 −0.010
일관성 정규화 $\lambda_{\mathrm{cons} }=5$ 0 22.051 −0.210
색인 스케줄 기하 선형 21.992 −0.268
역방향 갱신 $\alpha_{t}x_{t}+(1-\alpha_{t})\hat{x}_{\star}$ $\max(\hat{x}_{\star},0)$ 22.075 −0.186
출력 범위 투영 활성 비활성 22.260 −0.000

학습 측 변형은 같은 데이터·예산으로 재학습하고 추론 측 변형은 전체 모델 체크포인트를 재사용합니다.

  • 가중과 스케줄: 측정 의존 가중은 평균 가중이 같아도 더 깨끗한 상태에 큰 가중을 주고, 선형 스케줄은 같은 색인 범위에서 잡음 낀 관측 근처에 학습 스텝을 덜 배분합니다. 두 결과는 고정 학습 예산에서 잡음 낀 상태를 강조하는 상수 가중·기하 간격 을 지지합니다.
  • 정규화와 역방향 갱신: NFE=5 에서 일관성 제거 −0.210, 직접 예측 대체 −0.186 dB 이며, NFE=25 에서는 각각 −0.452, −1.654 dB 로 커집니다. NFE=1 에서는 역방향 갱신이 적용되지 않아 두 샘플러가 동일하고 일관성 제거의 영향도 0.004 dB 뿐입니다. 모멘트 정규화와 지수 의존 가중은 0.010·0.012 dB 로 작습니다.
  • 출력 범위 투영: 일치 지수에서는 NFE 1/5/25 모두 최대 0.001 dB 차이지만, 조건 지수가 데이터 지수보다 낮을 때(Gamma $p_{\mathrm{data} }=2$, 조건 $p=1$) 투영 제거는 0.223/0.168/0.139 dB 를 잃습니다. 불일치 상황에서의 보조 장치입니다.

⏱️ 2. 함수 평가 횟수 (Table S2)

심한 잡음, 고정 지수 모델.

지표 NFE=1 NFE=5 NFE=25
대각(일치) 평균 PSNR 22.326 22.330 22.225
$p=1.5$ 의 데이터 지수에 걸친 최악 PSNR 20.739 21.339 21.594
평균 비대각 페널티 +1.601 +1.256 +0.924
대각 어두운 영역 log-RMSE 0.2841 0.2831 0.2854
대각 잔차 분산 0.926 0.949 0.968

일치 지수에서는 평가 횟수를 늘려도 PSNR 이 오르지 않지만, 불일치 상황에서는 추가 평가가 도움 이 됩니다(1→25 에서 $p=1.5$ 최악 PSNR +0.855 dB, 불일치 페널티 1.601→0.924 dB). 조건부 모델을 NFE $\in{1,3,5,8,10,15,25}$ 로 평가하면 3 에서 최고이고 1/5/25 는 그보다 0.021/0.006/0.092 dB 낮습니다. 투영 변경은 최대 0.002 dB 차이입니다. 논문은 최적과 0.006 dB 차이인 NFE=5 를 공통 예산으로 유지합니다.

💡 Key Takeaway 가장 중요한 설계 선택은 상수 복원 가중과 기하 스케줄, 그리고 일관성 항과 혼합형 역방향 갱신이며, 뒤의 둘은 샘플링 스텝이 길어질수록 더 중요해집니다.

잡음 파라미터 추정과 지수 오차 강건성

🎚️ 1. 지수 추정 오차 허용치 (Table VII)

조건 지수가 $ \hat{p}-p_{\mathrm{data} } \le\delta$ 를 만족하는 최악 사례에서 고정 $p=1.5$ 대비 PSNR 이득(dB).
심각도 $\delta=0$ $\delta=0.25$ $\delta=0.5$ $\delta=\infty$
심함 +0.922 +0.830 +0.107 −1.707
보통 +1.523 +1.311 +0.184 −1.863
약함 +1.414 +1.233 +0.177 −1.796

$\delta=0.25$ 에서 이득은 0.830–1.311 dB 로 정확 조건화보다 0.09–0.21 dB 만 낮고, $\delta=0.5$ 에서도 양수(0.107–0.184)이며, 제약이 없으면 고정 기준선보다 1.707–1.863 dB 나빠집니다. Figure 10 에 따르면 지수 과대추정은 어두운 영역에, 과소추정은 밝은 영역에 초과 오차를 집중시키고, 실제 추정기 오차는 $\delta=0.25$ 안에 있습니다.

📐 2. 단일 영상 잡음 파라미터 추정 (Algorithm S1)

$\operatorname{Var}(x_{\mathrm{obs} }\mid\mu)=\mu^{p}/\nu$ 의 로그를 취하면 기울기 $p$, 절편 $-\log\nu$ 의 선형 관계가 됩니다. 추가 학습 없이 잡음 영상에서 직접 적합합니다.

단계 내용
입력 잡음 강도 영상 $x$; $h=15$, $B=10$, $\rho=0.3$
잔차 교차 차분 $r_{i,j}=\tfrac{1}{2}(x_{i,j}-x_{i+1,j}-x_{i,j+1}+x_{i+1,j+1})$ (국소 아핀 신호 제거, 독립 픽셀 잡음에서 분산이 네 픽셀 평균 잡음 분산과 같음)
국소 평균 $h\times h$ 박스 필터
비닝 국소 평균으로 $B$ 개 구간, 각 구간에서 가장 평탄한 비율 $\rho$ 만 보존
회귀 ${(\log m_{b},\log v_{b})}$ 에 Theil–Sen 로 $(\hat{p},a)$, $\hat{\nu}=\exp(-a)$

다섯 지수·세 수준·세 시드의 평가 격자에서 $p$ 의 최악 절대 오차는 0.0914 로 위의 0.25 목표 아래이며, $\nu$ 의 중앙 상대 오차는 2.8–4.1% 입니다. 약한 잡음은 고정 지수에서 $\nu$ 가 심한 잡음의 16배라 잡음 신호가 약해 추정이 더 어렵습니다. 회귀는 $\hat{p}$ 를 $[1,2]$ 로 제한하지 않는데, 45개 구성 중 5개에서 최대 0.032 만큼 벗어났고(모두 $p_{\mathrm{data} }=1$ 또는 2), 조건부 모델 범위에 맞춰 클리핑합니다. Table II 의 blind 결과는 이 클리핑 추정을 씁니다.

추정기 설정 민감도(S9-B): 윈도 ${9,15,25}$, 구간 수 ${6,10,16}$, 보존 비율 ${0.1,0.3,0.5}$ 에 걸쳐 최대 절대 지수 오차는 0.067–0.089, 상수 강도 타일에서는 $ \hat{p}-p \le0.0066$ 이고 $\nu$ 는 유효숫자 세 자리까지 복원됩니다.

🛰️ 3. 실제 데이터 보정

  • FMD: 12개 구성의 분산–평균 관계(Figure 11)를 적합하면 검출기 클래스·구성마다 기울기가 달라 단일 고정 지수가 아닌 구성별 보정 이 지지됩니다(Figure 12). Figure 13–14 는 적합된 $(p,\nu)$ 로 시뮬레이션한 프레임의 잡음 표준편차 비와 왜도가 실제와 얼마나 맞는지를 후보 지수를 바꿔가며 확인합니다.
  • SAR (Table S3): Sandia miniSAR/FARAD 복소 데이터와 ESA TerraSAR-X 16비트 MGD-SE 진폭을 선형 강도로 변환했습니다. 국소 ENL 백분위 구간에 따른 $\hat{p}$ 중앙값은 다음과 같습니다.
센서 공칭 $L$ all 5–95 10–95 25–95 40–95 분산 함의 $L$
miniSAR 1.00 2.150 2.042 2.014 2.005 2.002 1.06
FARAD-X 1.00 2.103 2.071 2.058 2.030 2.013 0.92
TerraSAR-X 1.16 2.106 2.067 2.044 2.014 2.005 1.37

40–95 백분위에서 적합 기울기는 2.002–2.016 으로 Gamma 분기의 이차 분산 법칙에 가깝습니다(본문은 “2.002–2.016” 이라 쓰지만 표의 해당 열 최대값은 2.013 입니다).

💡 Key Takeaway 조건화의 이득은 지수 오차 0.25 까지 대부분 유지되고, 추가 학습 없는 Theil–Sen 기반 추정기의 최악 오차는 0.09 라 그 안에 들어옵니다. 실제 센서는 Figure 11–12 와 Table S3 처럼 구성별로 다른 지수를 가지므로 추정이 선택이 아니라 필수입니다.

한계와 범위

논문이 명시한 범위와 아직 검증되지 않은 부분을 정리합니다.

⚠️ 1. 저자가 밝힌 제약

항목 내용
지수 범위 ${0}\cup[1,2]$ 만 지원. $p>2$(역가우시안 등)는 범위 밖이며 조건부 네트워크는 $[1,2]$ 만 담당하고 $p=0$ 은 별도 분기
읽기 잡음 독립 Gaussian 읽기 잡음을 더하면 단일 지수 족을 벗어나고 분산 스케일링도 $1/\nu$ 가 아니라 $\sigma_{\mathrm{r} }^{2}/\nu^{2}$. 확장에는 호환 독립 증분을 갖는 누적 잡음 모델이 필요
중간 지수의 실제 관측 잠재 계수 사후 샘플링은 $n_{\max}=64$ 절단으로 근사이며, 심각도 전이 실험은 시뮬레이터 보존 계수를 사용. 추론 계수로의 전이는 미평가
결정론 샘플러 오라클 평균은 보존하지만 브리지 주변 분포는 보존하지 않음(분산이 $\alpha_{t}$ 배 작음). 분포 정확성은 확률 구성에만 적용
색인 보정 $p\ne2$ 에서 추정 색인이 복사 이득에 $c^{p-2}$ 로 변하므로 강도 스케일 보정 필요
지수 추정 회귀가 $[1,2]$ 를 보장하지 않아 클리핑. 약한 잡음에서 추정이 더 어려움
샘플링 예산 일치 지수에서는 NFE 증가가 PSNR 을 올리지 않으며, 일관성 항과 혼합 갱신의 중요성이 NFE 에 의존

🔍 2. 결과 해석 시 유의점

  • FMD 평균 PSNR 은 VIRNet 에 0.07 dB 뒤지며, 구성별로 순위가 바뀝니다. SSIM 우위가 주 근거입니다.
  • SAR 은 깨끗한 기준이 없어 비율 영상 지표와 시각 비교로만 평가됩니다. FARAD-X 에서는 NAFNet 이 더 낮습니다.
  • Table II 의 envelope 비교는 “오라클이 고른 전문가”라는 상한과의 비교이지, 조건부 모델이 각 일치 열에서 전문가를 능가한다는 뜻은 아닙니다(Table III 의 일치 열에서 고정 $p=1.5$ 가 조건부와 같거나 약간 높음).
  • 본문 “2.002–2.016” 과 Table S3 40–95 열의 최대값 2.013 이 어긋납니다. 어느 쪽이 맞는지는 본문으로 확인할 수 없어 그대로 둡니다.

💡 Key Takeaway $p$-Bridge 의 이론적 보장(주변 분포 보존, 조건부 평균 최적성, $p$-독립 혼합 계수)은 확률 구성과 Tweedie 가정 안에서 성립하며, 읽기 잡음·$p>2$·실제 관측의 중간 지수 희석은 아직 열려 있는 범위입니다.