스코어 기반 생성 모델을 통한 현실적인 은하 이미지 시뮬레이션

우리는 노이즈 제거 확산 확률 모델(Denoising Diffusion Probabilistic Model, DDPM) —— 점수 기반 생성 모델의 한 유형 —— 이 은하 관측 데이터를 모방하는 현실적인 가상 이미지를 생성하는 데 사용될 수 있음을 보여준다. 본 연구에서 제안한 방법은 프로브스(PROBES) 샘플의 은하에 대한 다크 에너지 스펙트로스코픽 도구(DESI) grz 이미지 및 스ローン 디지털 천문조사(Sloan Digital Sky Survey)에서 선별한 은하 데이터를 대상으로 검증되었다. 주관적으로 비교했을 때, 생성된 은하 이미지는 실제 데이터 샘플과 매우 유사하게 보이며, 높은 현실감을 갖는다. 이를 정량적으로 평가하기 위해 심층 생성 학습 분야에서 활용되는 ‘프레셰 인셉션 거리(Fréchet Inception Distance, FID)’를 도입하여 주관적 및 형태학적 유사성의 수준을 측정하였다. 또한, 진실된 원본 데이터셋과 생성된 자식 데이터셋 간의 유출된 물리적 특성(예: 전체 등급, 색깔, 반광반경 등)을 비교하기 위해 ‘합성 은하 거리(Synthetic Galaxy Distance)’라는 새로운 지표를 제안하였다. 우리는 DDPM 기법이 적대적 네트워크(Adversarial Networks)와 같은 다른 생성 모델보다 더 선명하고 현실적인 이미지를 생성할 수 있으며, 추론 비용이 더 높다는 단점이 있지만, 특정 이미징 조사에 맞춰 대규모의 합성 관측 데이터를 생성하는 데 유용할 수 있다고 주장한다. 본 연구에서는 DDPM의 두 가지 잠재적 응용을 제시한다: (1) 위성 궤적과 같은 가려진 데이터의 정확한 보정(이미지 보완, in-painting), 그리고 (2) 도메인 전이(domain transfer), 즉 새로운 입력 이미지를 DDPM 학습 데이터셋의 특성과 유사하게 변환하는 기법. 여기서는 도메인 전이의 개념을 입증하기 위해 만화 이미지를 ‘DESI 스타일’로 변환하는 사례를 제시하였다. 마지막으로, 점수 기반 접근법의 잠재적 응용을 제안하며, 천문학 공동체 내에서 이 주제에 대한 추가 연구를 촉진할 수 있음을 제시한다.