Multi-frequency far-field data enrichment for electromagnetic source reconstruction

Resumen Técnico: Enriquecimiento de Datos de Campo Lejano Multifrecuencia para la Reconstrucción de Fuentes Electromagnéticas

Planteamiento del Problema
El artículo aborda el problema inverso de la fuente (ISP, por sus siglas en inglés) de reconstruir distribuciones de corrientes electromagnéticas de soporte compacto y desconocidas a partir de patrones de radiación de campo lejano. Aunque existen marcos teóricos para datos densos con muestreo de Nyquist, las aplicaciones prácticas en imágenes biomédicas, ensayos no destructivos y telecomunicaciones se ven a menudo obstaculizadas por restricciones físicas, costos de sensores y aperturas restringidas. Estas limitaciones resultan en mediciones multifrecuencia dispersas y submuestreadas.

Cuando los datos están submuestreados, el problema inverso se vuelve severamente mal planteado. Ciertos componentes de frecuencia quedan enmascarados, lo que provoca que partes de la fuente se comporten como "modos no radiantes" que residen en el espacio nulo del operador de onda de propagación. Las técnicas de inversión estándar, incluyendo mínimos cuadrados, regularización de Tikhonov, Variación Total (TV) y la detección de señales comprimida $\ell_1$, a menudo fallan en resolver esta falta de unicidad, produciendo graves artefactos de oscilación (ringing) y moteado (speckle), particularmente cuando la escala de los artefactos de submuestreo iguala o supera las características de la fuente.

Metodología
Los autores proponen una estrategia de reconstrucción de dos etapas diseñada para enriquecer los datos de campo lejano multifrecuencia dispersos antes de realizar la inversión final. El enfoque aprovecha la propiedad de Tasa Finita de Innovaciones (FRI, por sus siglas en inglés) inherente a las fuentes de soporte compacto y geométricamente dispersas.

1. Formulación Matemática:

   • El problema se modela utilizando las ecuaciones de Maxwell en régimen armónico temporal en un dominio libre con condiciones de radiación de Silver-Müller.
   • La densidad de la fuente de corriente $F(x)$ se descompone mediante la descomposición de Helmholtz-Hodge en componentes espectrales de elétrico transversal ($f$) y magnético transversal ($g$).
   • Las mediciones de campo lejano ($E_\infty, H_\infty$) son directamente proporcionales a los coeficientes de Fourier de estos componentes espectrales.

2. Enriquecimiento de Datos (Etapa 1):

   • En lugar de aplicar la regularización directamente al operador inverso mal condicionado, el método se centra en recuperar los coeficientes espectrales faltantes (enriquecimiento de datos).
   • Los autores mapean los coeficientes espectrales disponibles en una matriz de Hankel estructurada de envolvente (wrap-around) y de bloque diagonal.
   • Basándose en la propiedad FRI, esta matriz es inherentemente de bajo rango. La existencia de un filtro aniquilador en el dominio de Fourier garantiza que el rango de la matriz de Hankel esté determinado por el número de innovaciones en la fuente, no por el tamaño de la rejilla de muestreo.
   • La recuperación de los datos faltantes se formula como un problema de completitud de matrices con restricciones: minimizando la norma nuclear (una relajación convexa de la minimización de rango) sujeta a la consistencia de los datos con las mediciones dispersas observadas.
   • Esta optimización se resuelve mediante el enfoque de Completitud de Matriz de Hankel de Bajo Rango basado en el Filtro Aniquilador (ALOHA, por sus siglas en inglés) a través del Método de Dirección Alterna de Multiplicadores (ADMM). El método utiliza una representación 3D conjunta para explotar el soporte espacial común de los componentes de la corriente vectorial.

3. Reconstrucción de la Fuente (Etapa 2):

   • Una vez que los datos de campo lejano multifrecuencia han sido enriquecidos para aproximar una rejilla con muestreo de Nyquist, se aplica un esquema de inversión de Fourier estándar para reconstruir la densidad de la fuente de corriente $F(x)$.

Contribuciones Clave y Resultados
El artículo presenta evaluaciones numéricas extensas comparando el método propuesto Joint 3D ALOHA contra dos líneas base:

• Reconstrucción de Submuestreo con Relleno de Ceros (Zero-Filled): Inversión directa con los coeficientes faltantes establecidos en cero.
• Detección de Señales Comprimida $\ell_1$ Compleja Escalarmente Normalizada ($\ell_1$-CS): Un enfoque estándar de recuperación dispersa utilizando un prior de Transformada Discreta de Coseno (DCT) 3D.

Configuración Experimental:

• Modelos: Dos modelos de fuente 3D de Maxwell (una fuente suave de tipo rotacional $J_1$ y una fuente mixta $J_2$).
• Condiciones: Mediciones al 30%, 40% y 50% de la tasa de Nyquist, tanto en condiciones sin ruido como con Ruido Blanco Gaussiano Aditivo (AWGN) de 10 dB.
• Métricas: Relación Señal-Ruido de Pico (PSNR) e Índice de Similitud Estructural (SSIM) sobre 30 ensayos independientes de Monte Carlo.

Hallazgos de Rendimiento:

• Precisión: El método Joint 3D ALOHA supera significativamente a ambas líneas base. En condiciones sin ruido, logró ganancias de PSNR de 8.02 a 18.18 dB y ganancias de SSIM de 0.1842 a 0.3451 sobre $\ell_1$-CS.
• Robustez: El método mantuvo una alta fidelidad bajo AWGN de 10 dB, mientras que $\ell_1$-CS y el relleno de ceros sufrieron de artefactos severos y una menor calidad de reconstrucción.
• Preservación de la Topología: El análisis cualitativo de los volúmenes 3D completos demostró que ALOHA logró preservar la topología conectada y la distribución de intensidad de las fuentes, mientras que el relleno de ceros produjo lóbulos desconectados y $\ell_1$-CS introdujo cáscaras y fragmentos espurios.
• Significancia Estadística: Las pruebas de rango signed-rank de Wilcoxon confirmaron que las mejoras fueron estadísticamente significativas ($p_H = 2.24 \times 10^{-8}$) con una tasa de éxito del 100% para ALOHA en todas las pruebas.
• Eficiencia: En la implementación específica de MATLAB probada, Joint 3D ALOHA fue aproximadamente 1.74 a 2.51 veces más rápido que la línea base de $\ell_1$-CS (aprox. 0.67–0.72s vs. 1.24–1.74s por reconstrucción), siendo más lento que el relleno de ceros directo.

Significancia y Reivindicaciones
El artículo sostiene que la estrategia de enriquecimiento de datos propuesta cierra eficazmente la brecha entre los modelos teóricos de la fuente inversa y los escenarios prácticos de mediciones dispersas. Al reformular el problema como una tarea de completitud de matrices de bajo rango basada en la propiedad física FRI de la fuente, el método elimina los artefactos de submuestreo y resuelve los desafíos de falta de unicidad que afectan a las técnicas de inversión estándar.

Los autores enfatizamos que el método ofrece reconstrucciones precisas y estables incluso con altas tasas de submuestreo (30%–50%) y ruido fuerte. Sin embargo, mantienen un alcance modesto respecto a sus afirmaciones:

• La validación se limita a dos familias de fuentes simuladas y un modelo de propagación específico.
• El estudio de ruido se restringe a AWGN en un único nivel de SNR, excluyendo errores de calibración o desajustes de polarización.
• El parámetro de rango en ALOHA se fijó basándose en el tipo de fuente en lugar de ser seleccionado automáticamente.
• Los autores concluyen que, si bien los resultados respaldan el enriquecimiento de datos mediante matrices de Hankel estructuradas como un enfoque efectivo, se requiere una mayor validación con geometrías de fuentes más amplias, datos experimentales y desajustes en el modelo de propagación antes de un despliegue más generalizado.