Radio-Interferometric Image Reconstruction with Denoising Diffusion Restoration Models

1. El Problema

La reconstrucción de imágenes del cielo de radio a partir de información de Fourier incompleta es un desafío fundamental en la astronomía de radio. Los interferómetros tienen configuraciones esparsas, lo que resulta en un muestreo incompleto en el espacio de Fourier (espacio UV).

• Naturaleza del problema: Es un problema inverso mal planteado (ill-posed) que requiere algoritmos avanzados y regularización fuerte para compensar la información faltante.
• Limitaciones de los métodos tradicionales: El algoritmo CLEAN (y sus variantes como Multi-scale CLEAN) es el estándar de la industria, pero depende de parámetros definidos por el usuario, carece de cuantificación de incertidumbre y tiene dificultades para modelar emisiones complejas con sus componentes discretos.
• Limitaciones de los métodos de aprendizaje profundo existentes: Las aproximaciones anteriores de aprendizaje profundo a menudo aprenden una configuración específica de antenas, lo que obliga a reentrenar la red para diferentes telescopios, tiempos de observación o direcciones de apuntamiento.

2. Metodología

Los autores proponen un enfoque de aprendizaje profundo que es agnóstico a la configuración de la antena, incorporando naturalmente la física del proceso de medición.

A. Modelo Priori (DDPM)

• Se entrena un Modelo Probabilístico de Difusión para Eliminación de Ruido (DDPM) utilizando observaciones de galaxias de radio del sondeo VLA FIRST.
• Arquitectura: Se utiliza una red neuronal U-Net con bloques ResNet y capas FiLM, con un total de 40 millones de parámetros.
• Datos de entrenamiento: Se combinaron catálogos de galaxias (FRI, FRII, compactas, dobladas) de VLA FIRST y Radio Galaxy Zoo. Las imágenes se normalizaron y se aplicó aumento de datos (rotación, desplazamiento, escalado de flujo).
• El DDPM aprende la morfología de las galaxias de radio, sirviendo como un prior impulsado por datos.

B. Método de Restauración (DDRM)

• Para la reconstrucción, se utiliza Denoising Diffusion Restoration Models (DDRM). Este método realiza un muestreo de la distribución posterior $p(x_0|y)$, donde $x_0$ es la imagen verdadera y $y$ son las observaciones ruidosas.
• Proceso: DDRM define una cadena de Markov condicionada a las observaciones. Utiliza la descomposición en valores singulares (SVD) del operador de transformación lineal $H$ (que modela la síntesis de apertura: $y = SFx + z$).
• Adaptación a Radioastronomía: En lugar de calcular matrices de Fourier directamente, se implementa una SVD eficiente en memoria para el operador de muestreo $S$ y la transformada de Fourier $F$, utilizando la librería PyTorch FFT.
• Mecanismo de actualización: El algoritmo actualiza la imagen en cada paso de difusión basándose en:
  1. La predicción del prior (DDPM).
  2. La consistencia con las mediciones observadas ($y$), ponderada por la incertidumbre del ruido y los valores singulares del operador.

3. Contribuciones Clave

1. Independencia de la Configuración: A diferencia de otras redes neuronales, este método no necesita ser reentrenado para diferentes arreglos de antenas (VLA, ALMA, EHT) porque el operador de medición se integra en el paso de muestreo, no en la arquitectura de la red.
2. Incorporación Física: El método integra explícitamente la ecuación de medición de la interferometría y el modelo de ruido.
3. Muestreo Posterior No Supervisado: Permite generar múltiples muestras consistentes con los datos y el prior, ofreciendo una forma de explorar el espacio de soluciones.
4. Rendimiento Superior: Demuestra una mejora significativa sobre técnicas tradicionales como CLEAN, MS-CLEAN y métodos de compresión sensorial (IUWT CS).

4. Resultados

Los experimentos se realizaron simulando observaciones con VLA, EHT y ALMA sobre un conjunto de prueba de galaxias de radio.

• Calidad de Reconstrucción:
  • DDRM logra una fidelidad muy alta, eliminando casi por completo los artefactos del haz sucio (dirty beam) que persisten en las imágenes de CLEAN.
  • Errores Cuadráticos Medios (MSE): DDRM supera a los métodos tradicionales en al menos 2 órdenes de magnitud. Por ejemplo, con 1000 pasos de muestreo, el MSE es de $5.2 \times 10^{-7}$, frente a valores mucho mayores en CLEAN.
  • Relación Señal-Ruido (PSNR/SNR): Se alcanzan valores de PSNR superiores a 60 dB y SNR superiores a 50 dB.
• Eficiencia:
  • El método es eficiente: se puede lograr un MSE excelente ($3.2 \times 10^{-5}$) con solo 10 pasos de muestreo (0.44 segundos en una GPU), aunque la calidad óptima requiere 1000 pasos.
• Robustez al Ruido y Datos Fuera de Dominio:
  • El método es robusto incluso cuando se estima incorrectamente el nivel de ruido ($\sigma_y$).
  • Se probó con la galaxia 3C535 (fuera del dominio de entrenamiento, con mayor rango dinámico y morfología diferente). DDRM reconstruyó mejor los componentes difusos de bajo flujo que CLEAN, aunque mostró algo más de ruido residual en comparación con métodos de compresión sensorial en regiones de muy bajo flujo.
• Estimación de Incertidumbre:
  • Aunque el modelo genera múltiples muestras, se encontró que el prior DDPM está sobreconfiado (el error de reconstrucción real a menudo excede la variabilidad de las muestras generadas). El Error de Reconstrucción Estandarizado (SRE) a menudo supera 1, indicando que la incertidumbre no está bien calibrada actualmente.

5. Significado y Conclusiones

Este trabajo representa un avance significativo en la imagenología de radio interferométrica al demostrar que los modelos de difusión pueden superar a los algoritmos clásicos de décadas (CLEAN) y a otros métodos de aprendizaje profundo.

• Ventaja Principal: La capacidad de utilizar un prior aprendido de datos reales sin depender de la configuración específica del telescopio, lo que facilita la aplicación a futuros instrumentos (como el SKA) o diferentes arreglos existentes.
• Limitaciones:
  • Tamaño de imagen: Limitado a $150 \times 150$ píxeles debido a los datos de entrenamiento disponibles.
  • Calibración de incertidumbre: El modelo actual no proporciona estimaciones de incertidumbre precisas, lo cual es crucial para la ciencia de precisión.
  • Complejidad del Operador: La implementación actual simplifica el operador de medición (ignora términos $W$ y $A$ complejos). Se sugiere el uso de muestreo posterior de difusión no lineal para futuros trabajos que incluyan estos efectos físicos más complejos.

En resumen, DDRM ofrece un marco potente, flexible y de alta fidelidad para la reconstrucción de imágenes de radio, marcando una transición desde los métodos basados en la búsqueda de componentes hacia modelos generativos basados en datos.