[20250903 통합 세미나] Diffusion-based Approaches for Mitigating Patch Boun…
페이지 정보
본문
[일시] 2025.09.03
[세미나 주제]
Diffusion-based Approaches for Mitigating Patch Boundary Artifacts in Whole Slide Image Analysis
[발표자]
조연경
[요약]
본 발표는 병리학 Whole Slide Image(WSI) 분석 과정에서 빈번히 발생하는 patch boundary artifact 문제를 중심으로 한다. WSI는 기가픽셀 단위의 초고해상도를 가지며, 세포 수준의 세밀한 정보를 제공하지만, 패치 단위 처리 시 경계가 어긋나면서 맥락적 일관성이 손상된다. 특히 독립적으로 처리된 패치들을 병합하면 경계부에 시각적 단절이나 불연속이 두드러지게 나타난다. 이러한 문제를 완화하기 위한 전통적 방법인 오버랩 패치 전략은 어느 정도 효과를 보였으나, 연산량 증가와 병렬화 제한이라는 단점이 존재한다. 이에 따라 최근 연구들은 diffusion 모델을 활용해 경계부 문제를 해결하는 방향을 모색하고 있다.
첫 번째로 소개한 연구는 기가픽셀 WSI 합성을 목표로 diffusion 모델을 적용하여, 저해상도에서 고해상도로 점진적으로 업스케일링하는 방식을 도입했다. 이 과정에서 저해상도 단계는 전체 조직의 형태적 구조를 유지하는 데 집중하고, 고해상도 단계는 세부적인 세포 수준의 디테일을 보완하는 데 중점을 둔다. 특히 제안된 Grid-Shift 기법은 diffusion step마다 패치 그리드를 무작위로 이동시켜 stitching artifact를 효과적으로 줄였다. 이는 경계 정보를 여러 단계에서 반복적으로 교환하게 하여 결과적으로 부드럽고 연속적인 이미지를 생성할 수 있도록 한다. 또한 relaxation parameter를 통해 구조 보존성과 디테일 표현 사이의 균형을 조절하며, 실제 병리학자 평가에서 합성 이미지는 진짜 데이터와 구분하기 어려운 수준의 품질을 보였다.
두 번째 연구인 ArtiDiffuser는 이미지 합성보다는 실질적인 artifact 복원과 합성 문제를 다룬다. 이 모델은 counterfactual diffusion 개념을 도입해, 실제 관측되지 않은 “만약 artifact가 없었다면” 혹은 “특정 artifact가 있었다면”과 같은 상황을 모사한다. 마스크 기반 손실, 클래스별 토큰, Mixture of Experts 구조 등을 통해 다양한 artifact 유형을 정교하게 처리할 수 있도록 설계되었다. 또한 progressive distillation 기법을 적용하여 추론 속도를 크게 단축하면서도 성능 저하를 최소화하였다. 결과적으로 ArtiDiffuser는 기존 GAN 기반 방법보다 안정적이고 정확하며, downstream task(분류, 세분화) 성능 개선까지 입증하였다.
Q. Grid-Shift는 기존 오버랩 방식과 어떤 차이가 있으며, 랜덤 이동 범위와 제약 조건은 무엇인가? 또한, Grid-Shift 그림에서 Diffusion step은 어떤 과정을 의미하며, 스텝마다 겹치는 영역이나 정보 보존은 어떻게 처리되는가?
A. Grid-Shift는 기존 오버랩 방식과 달리, 매 diffusion step마다 패치 그리드를 무작위로 이동시켜 경계가 고정되지 않고 인접 패치 간 정보가 교환되도록 합니다. 랜덤 이동 범위와 제약 조건은 따로 밝혀진 바는 없습니다. 이 과정에서 stitching artifact가 줄어들고 부드러운 연결이 가능하며, step은 노이즈 제거와 디테일 보강을 반복하는 과정으로 각 단계에서 정보가 자연스럽게 보존됩니다. 랜덤 평행 이동 후 패딩 처리로 구현됩니다.
Q. Distill Loss와 KD Loss는 서로 다른 개념인가, 아니면 같은 맥락에서 이해해야 하는가?
A. ArtiDiffuser의 Distill Loss는 diffusion 모델에서 샘플링 스텝을 줄인 student가 teacher 출력을 모방하도록 설계된 특수한 Knowledge Distillation Loss입니다. 따라서 KD Loss와 별개의 개념이 아니라 같은 맥락에서 이해할 수 있으며, 단지 classification에서 쓰이는 일반 KD Loss와는 적용 방식과 수식이 다를 뿐입니다.
Q. 모델 파라미터 수와 GFlops가 줄지 않았는데도, 추론 속도가 빨라진 이유는 무엇인가?
A. ArtiDiffuser는 파라미터 수와 GFLOPs는 동일하지만, progressive distillation을 통해 샘플링 스텝 수를 크게 줄여 추론 속도를 개선했습니다. 즉, 모델 구조는 같아도 반복 denoising 횟수가 줄어 실제 연산량이 감소하면서 속도가 빨라졌습니다.
[관련 논문]
- Diffusion-based generation of Histopathological Whole Slide Images at a Gigapixel scale
- ArtiDiffuser: A unified framework for artifact restoration and synthesis for histology images via counterfactual diffusion model
[녹화 영상]
https://us06web.zoom.us/rec/share/hcwIoH4dGmAYiFpsj_CWGnjDnpw4grJi5mZDPVJHF9JmjLXqmP_vToQdh1vctYA.GIlqXehaA8JV6CZH
[세미나 주제]
Diffusion-based Approaches for Mitigating Patch Boundary Artifacts in Whole Slide Image Analysis
[발표자]
조연경
[요약]
본 발표는 병리학 Whole Slide Image(WSI) 분석 과정에서 빈번히 발생하는 patch boundary artifact 문제를 중심으로 한다. WSI는 기가픽셀 단위의 초고해상도를 가지며, 세포 수준의 세밀한 정보를 제공하지만, 패치 단위 처리 시 경계가 어긋나면서 맥락적 일관성이 손상된다. 특히 독립적으로 처리된 패치들을 병합하면 경계부에 시각적 단절이나 불연속이 두드러지게 나타난다. 이러한 문제를 완화하기 위한 전통적 방법인 오버랩 패치 전략은 어느 정도 효과를 보였으나, 연산량 증가와 병렬화 제한이라는 단점이 존재한다. 이에 따라 최근 연구들은 diffusion 모델을 활용해 경계부 문제를 해결하는 방향을 모색하고 있다.
첫 번째로 소개한 연구는 기가픽셀 WSI 합성을 목표로 diffusion 모델을 적용하여, 저해상도에서 고해상도로 점진적으로 업스케일링하는 방식을 도입했다. 이 과정에서 저해상도 단계는 전체 조직의 형태적 구조를 유지하는 데 집중하고, 고해상도 단계는 세부적인 세포 수준의 디테일을 보완하는 데 중점을 둔다. 특히 제안된 Grid-Shift 기법은 diffusion step마다 패치 그리드를 무작위로 이동시켜 stitching artifact를 효과적으로 줄였다. 이는 경계 정보를 여러 단계에서 반복적으로 교환하게 하여 결과적으로 부드럽고 연속적인 이미지를 생성할 수 있도록 한다. 또한 relaxation parameter를 통해 구조 보존성과 디테일 표현 사이의 균형을 조절하며, 실제 병리학자 평가에서 합성 이미지는 진짜 데이터와 구분하기 어려운 수준의 품질을 보였다.
두 번째 연구인 ArtiDiffuser는 이미지 합성보다는 실질적인 artifact 복원과 합성 문제를 다룬다. 이 모델은 counterfactual diffusion 개념을 도입해, 실제 관측되지 않은 “만약 artifact가 없었다면” 혹은 “특정 artifact가 있었다면”과 같은 상황을 모사한다. 마스크 기반 손실, 클래스별 토큰, Mixture of Experts 구조 등을 통해 다양한 artifact 유형을 정교하게 처리할 수 있도록 설계되었다. 또한 progressive distillation 기법을 적용하여 추론 속도를 크게 단축하면서도 성능 저하를 최소화하였다. 결과적으로 ArtiDiffuser는 기존 GAN 기반 방법보다 안정적이고 정확하며, downstream task(분류, 세분화) 성능 개선까지 입증하였다.
Q. Grid-Shift는 기존 오버랩 방식과 어떤 차이가 있으며, 랜덤 이동 범위와 제약 조건은 무엇인가? 또한, Grid-Shift 그림에서 Diffusion step은 어떤 과정을 의미하며, 스텝마다 겹치는 영역이나 정보 보존은 어떻게 처리되는가?
A. Grid-Shift는 기존 오버랩 방식과 달리, 매 diffusion step마다 패치 그리드를 무작위로 이동시켜 경계가 고정되지 않고 인접 패치 간 정보가 교환되도록 합니다. 랜덤 이동 범위와 제약 조건은 따로 밝혀진 바는 없습니다. 이 과정에서 stitching artifact가 줄어들고 부드러운 연결이 가능하며, step은 노이즈 제거와 디테일 보강을 반복하는 과정으로 각 단계에서 정보가 자연스럽게 보존됩니다. 랜덤 평행 이동 후 패딩 처리로 구현됩니다.
Q. Distill Loss와 KD Loss는 서로 다른 개념인가, 아니면 같은 맥락에서 이해해야 하는가?
A. ArtiDiffuser의 Distill Loss는 diffusion 모델에서 샘플링 스텝을 줄인 student가 teacher 출력을 모방하도록 설계된 특수한 Knowledge Distillation Loss입니다. 따라서 KD Loss와 별개의 개념이 아니라 같은 맥락에서 이해할 수 있으며, 단지 classification에서 쓰이는 일반 KD Loss와는 적용 방식과 수식이 다를 뿐입니다.
Q. 모델 파라미터 수와 GFlops가 줄지 않았는데도, 추론 속도가 빨라진 이유는 무엇인가?
A. ArtiDiffuser는 파라미터 수와 GFLOPs는 동일하지만, progressive distillation을 통해 샘플링 스텝 수를 크게 줄여 추론 속도를 개선했습니다. 즉, 모델 구조는 같아도 반복 denoising 횟수가 줄어 실제 연산량이 감소하면서 속도가 빨라졌습니다.
[관련 논문]
- Diffusion-based generation of Histopathological Whole Slide Images at a Gigapixel scale
- ArtiDiffuser: A unified framework for artifact restoration and synthesis for histology images via counterfactual diffusion model
[녹화 영상]
https://us06web.zoom.us/rec/share/hcwIoH4dGmAYiFpsj_CWGnjDnpw4grJi5mZDPVJHF9JmjLXqmP_vToQdh1vctYA.GIlqXehaA8JV6CZH
첨부파일
- 이전글[20250910 통합 세미나] Diffusion Models and CNN for Image Restoration in Adverse Weather 25.09.11
- 다음글[20250903 통합 세미나] Efficient Diffusion Model for Image Super-resolution 25.09.05
댓글목록
등록된 댓글이 없습니다.