딥러닝 기반의 희소 뷰 전산화 단층 촬영(SVCT) 재구성 알고리즘의 발전에도 불구하고, (i) 경험적으로 설계된 사전 네트워크가 립시츠 제약 조건을 만족하는지 명확하게 증명하기 어렵고 (ii) 여러 뷰 설정에 대해 별도의 모델을 훈련해야 하는 상당한 저장 비용으로 인해 실제 임상 적용에 한계가 존재한다. 이러한 문제를 해결하기 위해, 명시적으로 립시츠 제약 조건을 충족하는 LipNet을 개발하고, 다양한 희소 샘플링 설정을 위한 판별적 지식을 제공하는 명시적 프롬프트 모듈을 통합하여 단일 모델 내에서 여러 희소 뷰 구성을 처리할 수 있도록 했다. 또한, LipNet을 사전 네트워크로 임베딩하여 반복 알고리즘의 수렴을 보장하는 저장 공간 절약형 Multiple-in-one SVCT 재구성을 위한 딥 언폴딩 프레임워크인 PromptCT를 개발했다. 시뮬레이션 및 실제 데이터 실험에서 PromptCT는 Multiple-in-one SVCT 재구성에서 벤치마크 재구성 알고리즘보다 우수한 성능을 보였으며, 더 높은 품질의 재구성을 달성하면서 저장 비용을 절감했다. 이론적으로 LipNet이 경계 속성을 만족함을 명시적으로 입증하여 립시츠 연속성을 추가로 증명하고 제안된 반복 알고리즘의 수렴성을 분석했다.
