본 논문은 의료 영상 재구성에서 특히 데이터 기반 조건부 모델에서 심각한 문제가 되는 환각(hallucination, 실제 데이터에 없는 구조)을 줄이기 위한 새로운 방법인 DynamicDPS를 제안합니다. DynamicDPS는 조건부 확산 모델과 무조건부 확산 모델을 통합하는 확산 기반 프레임워크로, 저품질 의료 영상을 향상시키면서 환각을 체계적으로 줄입니다. 조건부 모델을 이용한 초기 재구성 후, 적응형 확산 기반 역문제 해결사를 사용하여 이를 개선하며, 샘플별 최적 시작점을 선택하고 Wolfe의 선형 탐색을 적용하여 효율성과 영상 충실도를 향상시킵니다. 합성 및 실제 MR 스캔에 대한 광범위한 평가를 통해, DynamicDPS가 환각을 줄이고 조직 용적 추정을 15% 이상 개선하며 기존 확산 모델 대비 샘플링 단계를 5%만 사용함을 보여줍니다. 모델에 독립적이고 추가 학습이 필요 없는 방법으로, 의료 영상의 환각 감소에 대한 강력한 해결책을 제공합니다.
