Bayesian imaging inverse problem with scattering transform

Resumen Técnico: Problema Inverso de Imagen Bayesiana con Transformada de Dispersión (Scattering Transform)

Formulación del Problema
El artículo aborda el desafío de resolver problemas inversos de imagen bayesianos en astrofísica y cosmología, específicamente dentro de "regímenes de bajos datos" donde solo se dispone de una única observación contaminada ($d_0$). La dificultad central radica en recuperar un campo físico subyacente ($s_0$) a partir de datos producidos por un operador de propagación (forward operator) conocido pero frecuentemente estocástico o no invertible ($F$), tal que $d_0 = F(s_0)$.

Los enfoques bayesianos tradicionales requieren una distribución prior $p(s)$ que codifique el conocimiento físico sobre la señal. Sin embargo, para campos astrofísicos complejos y no gaussianos (por ejemplo, estructura a gran escala o polvo galáctico), especificar una prior motivada físicamente es difícil, y las priors basadas en datos fallan cuando los datos de entrenamiento son escasos. Los autores enmarcan el problema como la caracterización de la distribución posterior $p(s | d_0)$ sin depender de priors externos o grandes conjuntos de datos de entrenamiento, centrándose en campos regulares no gaussianos.

Metodología
El enfoque propuesto desplaza el objetivo de la inferencia desde el espacio de píxeles de alta dimensión ($n \approx 10^5$) hacia un espacio de baja dimensión de estadísticas de la Transformada de Dispersión (ST) ($l \approx 10^2$).

1. Representación mediante Transformada de Dispersión: El método utiliza estadísticas de ST, $\phi(s)$, que caracterizan procesos no gaussianos al capturar interacciones entre escalas orientadas. Estas estadísticas se utilizan para construir modelos generativos de máxima entropía eficientes, $p_{\mu_S}(s)$, parametrizados por las estadísticas de ST $\mu_S$.
2. Reducción de Dimensionalidad: En lugar de inferir la posterior sobre los campos $p(s | d_0)$, los autores infieren la posterior sobre los parámetros de las estadísticas de ST: $p(\mu_S | \phi(d_0))$. Esto reduce el problema a encontrar un modelo generativo consistente con las estadísticas de los datos observados.
3. Aproximación de la Verosimilitud (Likelihood): El operador de propagación en el espacio de ST, que mapea los parámetros $\mu_S$ a las estadísticas de los datos $\phi(d)$, es analíticamente intratable debido al muestreo requerido de los modelos generativos. Los autores aproximan esta verosimilitud utilizando un modelo lineal gaussiano derivado de la expansión de Taylor: $p(\phi(d) | \mu_S) \sim \mathcal{N}(A\mu_S + b | \Sigma)$.
4. Algoritmo Adaptativo Iterativo: Para estimar los parámetros ($A, b, \Sigma$) de esta verosimilitud gaussiana y la posterior resultante, los autores proponen un algoritmo de estimación secuencial:
   • Inicialización: Una propuesta gaussiana estrecha $q_0(\mu_S)$ centrada en las estadísticas de ST de un mapa de referencia $\tilde{s}$, obtenido mediante la optimización de ruido blanco para minimizar la distancia entre sus estadísticas transformadas y las estadísticas de los datos observados.
   • Refinamiento Secuencial: La distribución de la propuesta se actualiza iterativamente combinando la propuesta anterior con la verosimilitud estimada. La covarianza se escala por un factor de 2 en cada paso para evitar una confianza excesiva artificial al condicionarse múltiples veces sobre la misma observación.
   • Convergencia: El proceso se detiene cuando la distribución de la propuesta converge a un punto fijo, coincidiendo con la distribución posterior bajo una prior uniforme y una verosimilitud gaussiana lineal.

Contribuciones Clave

• Marco de Inferencia Novedoso: El artículo introduce un marco bayesiano que realiza la inferencia en el espacio de las estadísticas de la Transformada de Dispersión en lugar del espacio de píxeles, permitiendo soluciones tratables para campos no gaussianos sin priors externos.
• Algoritmo Adaptativo: Propone un algoritmo iterativo específico que aproxima la distribución posterior de los parámetros del modelo generativo utilizando una aproximación de verosimilitud gaussiana lineal, evitando el costo computacional de entrenar estimadores de densidad neuronal en espacios de alta dimensión.
• Reconstrucción de Imagen Única: El método está diseñado para operar en un régimen con una sola observación, evitando la necesidad de grandes conjuntos de datos de entrenamiento que suelen requerir los enfoques de aprendizaje profundo (deep learning).

Resultos
El método fue validado utilizando un campo de densidad de columna de las simulaciones cosmológicas Quijote (estructura a gran escala) y un operador de propagación instrumental simulado que consiste en ruido blanco gaussiano y máscaras elípticas aleatorias.

• Inferencia Estadística: Las muestras de la posterior de las estadísticas de ST reprodujeron con precisión las propiedades estadísticas (espectro de potencia y función de probabilidad de un punto) del campo real subyacente $s_0$.
• Reconstrucción Determinista: Al muestrear de los modelos generativos inferidos, los autores generaron mapas visualmente indistinguibles de la observación al pasar por el operador de propagación. Los campos generados fueron consistentes con mapas de Estructura a Gran Escala (LSS), exhibiendo variabilidad principalmente en las escalas más pequeñas, dominadas por el ruido.
• Sin Priores Externas: La reconstrucción se logró sin ninguna prior externa para el campo de interés, basándose únicamente en la estructura del modelo generativo de ST.

Significancia y Reivindicaciones
El artículo afirma que las estadísticas de la Transformada de Dispersión proporcionan una representación efectiva para resolver problemas inversos de imagen complejos en regímenes desafiantes de bajos datos. El enfoque demuestra que es posible lograr una inferencia estadística precisa y una reconstrucción de señal determinista para señales astrofísicas no gaussianas incluso cuando:

1. Solo se dispone de una única imagen contaminada.
2. No existe una prior motivada físicamente o un conjunto de datos de entrenamiento realista.

Los autores sostienen que este trabajo abre el camino a nuevas aplicaciones para señales astrofísicas y cosmológicas no gaussianas donde actualmente existe poco o ningún modelado previo disponible, ofreciendo una solución generalizable más allá del ejemplo específico de Estructura a Gran Escala probado.