의료 영상 합성을 위한 확산 변형 사전

구조 골격

본 연구는 합성이 외형 일치뿐만 아니라 해부학적 변화를 존중하도록 확산(diffusion)과 변형 인식 구조(deformation-aware structure)를 결합한다.

물리학 개념 / 수학적 대상

전이 가능한 구조는 기하학에 의해 제약되는 수송 과정이다: 유용한 샘플들은 서로 관련 없는 이미지 상태 간에 도약하는 대신 변형장(deformation field)을 통해 이동한다.

AI 타겟 문제

출력이 의료 합성, 시뮬레이션-실제 적응 또는 센싱 모달리티 간의 표현 정렬과 같이 잠재 구조를 보존해야 하는 멀티모달 생성 시스템을 목표로 한다.

변수/연산자/목표 매핑

• 변형장 -> 소스 및 타겟 조건 간의 잠재적 수송 맵 (latent transport map between source and target conditions)
• 확산 궤적 -> 불확실성 인식 정제 경로 (uncertainty-aware refinement path)
• 해부학적 일관성 -> 생성에 대한 구조 보존 제약 (structure-preserving constraint on generation)

이것이 왜 효과가 있을 수 있는지

많은 생성 파이프라인은 무엇이 고정되어야 하는지에 대한 체계적인 설명 없이 외형 전달(appearance transfer)을 학습한다. 변형 인식(deformation-aware) 전달 관점은 모델에게 무엇이 움직이고, 무엇이 고정되며, 무엇이 불확실하게 남는지를 저장할 공간을 제공한다.

왜 실패할 수 있는지

만약 대상 도메인 변화가 수송 과정(transport process)으로 잘 근사되지 않는다면, 사전 확률(prior)은 제약적이게 된다. 부정확한 변형 추정치는 또한 구조적 오류를 주입할 수 있으며, 이는 확산(diffusion)에 의해 증폭된다.

가장 작은 반증 가능한 실험

쌍을 이룬 멀티모달 벤치마크에서, 베이스라인 확산 모델과 Denoising 전에 명시적으로 잠재 변형 수송 사전(latent deformation transport prior)을 예측하는 모델을 비교한다. 구조적 일관성, 불확실성 보정(uncertainty calibration), 그리고 다운스트림 태스크 유용성을 측정한다. 수송 사전이 시각적 품질은 향상시키지만 구조적 지표나 보정 성능을 개선하지 못하면 해당 제안을 기각한다.