Marginal multi-object multi-frame blind deconvolution

Resumen Técnico: Desconvolución Ciega Multi-Objeto Multi-Frame Marginal

Enunciado del Problema
La imagen solar terrestre de alta resolución está fundamentalmente limitada por la turbulencia atmosférica, que introduce fluctuaciones en el índice de refracción que degradan la calidad de la imagen. Aunque los sistemas de Óptica Adaptativa (AO) proporcionan una corrección parcial, persisten errores residuales del frente de onda, lo que hace necesaria la restauración de imágenes post-facto para acercarse al límite de difracción teórico. Los métodos tradicionales de restauración, específicamente la Desconvolución Ciega Multi-Objeto Multi-Frame (MOMFBD), dependen de una estimación conjunta de Máxima Verosimilitud (ML). En este marco, el objeto solar y las aberraciones atmosféricas se estiman simultáneamente maximizando la verosimilitud de los datos observados.

Sin embargo, el enfoque de ML conjunta enfrenta desafíos significativos, particularmente en regímenes de baja relación señal-ruido (SNR). Debido a que busca una estimación puntual conjunta tanto del objeto como del frente de onda, el problema a menudo está mal planteado. En presencia de ruido, el algoritmo tiende a sobreajustar, asignando erróneamente potencia de ruido a aberraciones de alto orden. Esto hace necesaria una filtración de Fourier artesanal y un ajuste fino de los parámetros de regularización. Además, el contraste de la reconstrucción es altamente sensible a los hiperparámetros que dictan la Densidad Espectral de Potencia (PSD) del prior del objeto, requiriendo un ajuste manual experto que consume tiempo y es difícil de estandarizar.

Metodología
El artículo propone un cambio desde la estimación puntual conjunta hacia un marco de Máxima A-Posteriori Marginal (MMAP). En lugar de resolver simultáneamente para el objeto y las aberraciones, los objetos se tratan como "parámetros de molestia". Al definir un prior bayesiano adecuado para los objetos y marginalizar (integrar) sobre ellos, el método aísla la probabilidad a posteriori de las aberraciones únicamente.

La formulación matemática procede de la siguiente manera:

1. Configuración del Modelo: El modelo de observación asume $J$ frames de exposición corta para $K$ objetos co-espaciales con $L$ canales de diversidad. La imagen observada se modela como la convolución del objeto verdadero con una Función de Dispersión de Punto (PSF) que representa la turbulencia instantánea, más ruido aditivo.
2. Formulación Bayesiana: Se define la distribución a posteriori de las incógnitas (objeto $o$ y PSFs $H$). Asumiendo priores gaussianos para el objeto y ruido gaussiano, la posterior conjunta se factoriza en un producto de dos gaussianas.
3. Marginalización: En lugar de encontrar la estimación de Máxima A-Posteriori (MAP) del objeto e insertarla de nuevo en la verosimilitud (como se hace en la estimación conjunta), el objeto se integra. Esto produce una función de verosimilitud marginalizada que depende únicamente de las PSFs y los hiperparámetros.
4. Implementación: Se deriva el log-verosimilitud marginal negativo. En el dominio de Fourier, utilizando la identidad de la matriz de Woodbury y la fórmula de Sherman-Morrison, el cálculo se vuelve eficiente. La función de mérito resultante es casi idéntica al estimador conjunto estándar, pero incluye un término adicional de log-determinante.
5. Optimización: El método utiliza el optimizador Adam con diferenciación automática (PyTorch). Se emplea un enfoque de programación donde los modos de expansión del frente de onda se incrementan gradualmente para evitar mínimos locales. Crucialmente, los hiperparámetros que controlan la PSD del prior del objeto y la varianza del ruido se optimizan directamente junto con los coeficientes del frente de onda durante las iteraciones iniciales, tras lo cual se fijan para prevenir la divergencia.

Contribuciones Clave

• Regularización Mejorada: El proceso de marginalización cuenta naturalmente con la incertidumbre del objeto. Esto evita que el algoritmo de reconstrucción asigne potencia de ruido a aberraciones de alto orden, un modo de fallo común en la estimación conjunta.
• Control de Contraste Robusto: El estimador marginal es significativamente menos sensible a los hiperparámetros que gobiernan la PSD del objeto. Esto permite optimizar estos hiperparámetros directamente, habilitando un despliegue "plug-and-play" que elimina la necesidad de ajuste manual experto.
• Sobrecarga de Implementación Mínima: El método requiere únicamente la adición de un término de log-determinante a la función de mérito tradicional. Se ha integrado completamente en el paquete de código abierto torchmfbd, requiriendo modificaciones mínimas en las cadenas de procesamiento de desconvolución ciega existentes.
• Selección Automática de Modos: El comportamiento de la función de pérdida marginal permite la selección automática del número óptimo de modos del frente de onda. La función de pérdida exhibe un mínimo claro, equilibrando el ajuste de datos contra la regularización, mientras que la función de pérdida conjunta disminuye monótonamente, sin ofrecer tal guía.

Resultados
El método propuesto se validó utilizando datos del instrumento CRISP (SST) y del instrumento HiFI (GREGOR), abarcando tanto regiones activas como observaciones del Sol en calma.

• Estabilidad del Contraste: En la estimación conjunta, el contraste de la reconstrucción es altamente sensible al hiperparámetro de la PSD ($\kappa$). Los valores pequeños conducen a imágenes borrosas, mientras que los valores grandes causan una mejora de contraste artificial y artefactos. El estimador marginal produce un contraste estable y realista sin ajuste.
• Independencia del Número de Frames: Al variar el número de frames ($M$) en la ráfaga, los estimadores conjuntos requieren un ajuste cuidadoso del parámetro PSD para evitar artefactos o borrosidad. El estimador marginal produce automáticamente reconstrucciones con contraste y calidad visual apropiados a través de diferentes conteos de frames (por ejemplo, de $M=2$ a $M=50$).
• Optimización del Conteo de Modos: Los experimentos con datos sintéticos demostraron que la función de pérdida marginal tiene un mínimo distinto que corresponde al número óptimo de modos KL (por ejemplo, 60–80 modos para $r_0=10$ cm). En contraste, la función de pérdida conjunta disminuye monótonamente con el aumento de modos, sin indicar un punto de parada óptimo.
• Calidad Visual: Las reconstrucciones utilizando el estimador marginal mostraron estructuras ligeramente más definidas y un mayor contraste en comparación con MOMFBD estándar y estimadores conjuntos, particularmente en regiones de penumbra, sin introducir artefactos de alta frecuencia.

Significado
El artículo afirma que el estimador marginal aborda las limitaciones inherentes de la estimación conjunta tradicional de Máxima Verosimilitud en la imagen solar. Al proporcionar una reconstrucción estable que es menos sensible al ruido de alta frecuencia y a las elecciones de hiperparámetros, el método facilita un flujo de trabajo más automatizado y robusto. La capacidad de optimizar hiperparámetros y seleccionar el número de modos directamente desde los datos reduce la dependencia de la intervención experta, haciendo la restauración de imágenes solares de alta calidad más accesible para la comunidad más amplia de la física solar. La integración en torchmfbd asegura la disponibilidad inmediata para el procesamiento de datos rutinario.