Marginal multi-object multi-frame blind deconvolution

ملخص تقني: إلغاء الالتفاف الأعمى متعدد الأجسام ومتعدد الإطارات الهامشي

بيان المشكلة
يعد التصوير الشمسي الأرضي عالي الدقة محدوداً بشكل أساسي بسبب الاضطرابات الجوية، التي تسبب تقلبات في معامل الانكسار تؤدي إلى تدهور جودة الصورة. وبينما توفر أنظمة البصريات التكيفية (AO) تصحيحاً جزئياً، إلا أن أخطاء جبهة الموجة المتبقية تستمر، مما يستلد ضرورة إجراء استعادة للصورة بعد الواقعة (post-facto) للوصول إلى الحد الحيودي النظري. تعتمد طرق الاستعادة التقليدية، وتحديداً طريقة إلغاء الالتفاف الأعمى متعدد الأجسام ومتعدد الإطارات (MOMFBD)، على تقدير الاحتمال الأقصى (ML) المشترك. وفي هذا الإطار، يتم تقدير الجسم الشمسي وانحرافات الغلاف الجوي في آن واحد عن طريق تعظيم احتمالية البيانات المرصودة.

ومع ذلك، يواجه نهج الاحتمال الأقصى المشترك تحديات كبيرة، لا سيما في أنظمة نسبة الإشارة إلى الضجيج (SNR) المنخفضة. ولأنه يسعى لإيجاد تقدير نقطي مشترك لكل من الجسم وجبهة الموجة، فإن المشكلة غالباً ما تكون غير محددة جيداً (ill-posed). وفي وجود الضجيج، يميل الخوارزم إلى الإفراط في التخصيص (overfitting)، حيث ينسب طاقة الضجيج خطأً إلى الانحرافات عالية الرتبة. وهذا يستلزم استخدام ترشيح فوريه (Fourier filtering) حرفي وضبطاً دقيقاً لمعاملات التنظيم. علاوة على ذلك، فإن تباين إعادة البناء حساس للغاية للمعلمات الفائقة (hyperparameters) التي تتحكم في كثافة الطيف القدرتي (PSD) للمعلومات السابقة للجسم، مما يتطلب ضبطاً يدوياً من قبل الخبراء، وهو أمر يستغرق وقتاً طويلاً ويصعب توحيده معيارياً.

المنهجية
تقترح الورقة التحول من التقدير النقطي المشترك إلى إطار عمل الاحتمال الأقصر اللاحق الهامشي (MMAP). بدلاً من حل مسألة الجسم والانحرافات في وقت واحد، تُعامل الأجسام كـ "معلمات مزعجة" (nuisance parameters). ومن خلال تعريف معلومة سابقة بايزية (Bayesian prior) مناسبة للأجسام وعملية الهامش (marginalization/integration) عليها، تعزل الطريقة الاحتمال اللاحق للانحرافات وحدها.

يسير الصياغة الرياضية كما يلي:

1. إعداد النموذج: يفترض نموذج الملاحظة وجود $J$ من الإطارات قصيرة التعرض لـ $K$ من الأجسام المتطابقة مكانياً مع $L$ من قنوات التنوع. ويُنمذجت الصورة المرصودة كعملية التفاف للجسم الحقيقي مع دالة انتشار النقطة (PSF) التي تمثل الاضطراب اللحظي، مضافاً إليها ضجيج تراكمي.
2. الصياغة البايزية: يتم تعريف التوزيع اللاحق للمجاهيل (الجسم $o$ و $H$ الـ PSFs) عبر الاحتمال اللاحق. وبافتراض معلومات سابقة غاوسية للجسم وضجيج غاوسي، فإن الاحتمال اللاحق المشترك يتحلل إلى حاصل ضرب توزيعين غاوسيين.
3. الهامش (Marginalization): بدلاً من إيجاد تقدير الاحتمال الأقصر اللاحق (MAP) للجسم ثم تعويضه في دالة الاحتمال، يتم دمج (integrate) الجسم خارج العملية. وهذا ينتج دالة احتمالية هامشية تعتمد فقط على الـ PSFs والمعلمات الفائقة.
4. التنفيذ: يتم اشتقاق سالب لوغاريتم الاحتمال الهامشي. وفي مجال فوريه، وباستخدام متطابقة وودبري-أندريا (Woodbury matrix identity) وصيغة شيرمان-موريسون، تصبح الحسابات فعالة. وتكون دالة الاستحقاق الناتجة متطابقة تقريباً مع المقدر المشترك القياسي ولكنها تتضمن حداً إضافياً وهو لوغاريتم المحدد (log-determinant term).
5. التحسين: تستخدم الطريقة مُحسن Adam مع الاشتقاق التلقائي (PyTorch). ويتم استخدام نهج جدولة حيث يتم زيادة أنماط توسع جبهة الموجة تدريجياً لتجنب النهايات الصغرى المحلية. ومن الأهمية بمكان أن المعلمات الفائقة التي تتحكم في PSD الخاص بالمعلومات السابقة للجسم وتباين الضجيج يتم تحسينها مباشرة جنباً إلى جنب مع معاملات جبهة الموجة خلال التكرارات الأولية، وبعد ذلك يتم تثبيتها لمنع التباعد.

المساهمات الرئيسية

• تعزيز التنظيم: تعمل عملية الهامش طبيعياً على مراعاة عدم اليقين في الجسم. وهذا يمنع خوارزمية إعادة البناء من تخصيص طاقة الضجيج للانحرافات عالية الرتبة، وهو نمط فشل شائع في التقدير المشترك.
• التحكم القوي في التباين: المقدر الهامشي أقل حساسية بكثير للمعلمات الفائقة التي تحكم PSD الخاص بالجسم. وهذا يسمح بتحسين هذه المعلمات مباشرة، مما يتيح نشر نظام "التوصيل والتشغيل" (plug-and-play) الذي يلغي الحاجة إلى الضبط اليدوي من قبل الخبراء.
• الحد الأدنى من عبء التنفيذ: تتطلب الطريقة فقط إضافة حد لوغاريتم المحدد إلى دالة الاستحقاق التقليدية. وقد تم دمجها بالكامل في حزمة torchmfbd مفتوحة المصدر، مما يتطلب تعديلات طفيفة على خطوط معالجة إلغاف الالتفاف الأعمى الموجودة.
• الاختيار التلقائي للأنماط: تسمح سلوك دالة الخسارة الهامشية بالاختيار الأمثل لعدد أنماط جبهة الموجة. حيث تظهر دالة الخسارة حداً أدنى واضحاً، موازنةً بين ملاءمة البيانات والتنظيم، بينما تنخفض دالة الخساء المشتركة رتيباً، مما لا يقدم أي توجيه.

النتائج
تم التحقق من صحة الطريقة المقترحة باستخدام بيانات من أداة CRISP (SST) وأداة HiFI (GREGOR)، لتغطية كل من المناطق النشطة والشمس الهادئة.

• استقرار التباين: في التقدير المشترك، يكون تباين إعادة البناء حساساً للغاية لمعلم $\kappa$ الخاصة بـ PSD. القيم الصغيرة تؤدي إلى صور ضبابية، بينما القيم الكبيرة تسبب تعزيزاً اصطناعياً للتباين وتشوهات. أما المقدر الهامشي فينتج تبايناً مستقراً وواقعياً دون الحاجة لضبط.
• الاستقلالية عن عدد الإطارات: عند تغيير عدد الإطارات ($M$) في الدفعة، تتطلب المقدرات المشتركة تعديلاً دقيقاً لمعلم PSD لتجنب التشوهات أو الضبابية. أما المقدر الهامشي فينتج تلقائياً عمليات إعادة بناء ذات تباين وجودة بصرية مناسبة عبر مختلف أعداد الإطارات (على سبيل المثال، من $M=2$ إلى $M=50$).
• تحسين عدد الأنماط: أظهرت التجارب باستخدام البيانات الاصطناعية أن دالة الخسارة الهامشية تمتلك حداً أدنى متميزاً يتوافق مع العدد الأمثل لأنماط KL (مثلاً، 60-80 نمطاً لـ $r_0=10$ سم). في المقابل، تنخفض دالة الخسارة المشتركة رتيباً مع زيادة الأنماط، مما يفشل في الإشارة إلى نقطة التوقف المثلى.
• الجودة البصرية: أظهرت عمليات إعادة البناء باستخدام المقدر الهامشي هياكل أكثر تحديداً وتباينًا أعلى مقارنة بـ MOMFBD والمقدرات المشتركة، لا سيال في مناطق الظل (penumbral regions)، دون إدخال تشوهات عالية التردد.

الأهمية
تزعم الورقة أن المقدر الهامشي يعالج القيود المتأصلة في تقدير الاحتمال الأقصى المشترك التقليدي في التصوير الشمسي. ومن خلال توفير إعادة بناء مستقرة وأقل حساسية للضجيج عالي التردد واختيارات المعلمات الفائقة، تسهل هذه الطريقة سير عمل أكثر أتمتة وقوة. إن القدرة على تحسين المعلمات الفائقة واختيار عدد الأنماط مباشرة من البيانات تقلل من الاعتماد على تدخل الخبراء، مما يجعل استعادة الصور الشمسية عالية الجودة أكثر سهولة وتوافراً لمجتمع الفيزياء الشمسية الأوسع. ويضمن دمج الطريقة في torchmfbd توافرها الفوري للمعالجة الروتينية للبيانات.