Generative AI for image reconstruction in Intensity Interferometry: a first attempt

Résumé technique : Intelligence artificielle générative pour la reconstruction d'images en interférométrie d'intensité

Énoncé du problème
L'interférométrie d'intensité (II) a récemment retrouvé une importance en tant que technique permettant d'atteindre une résolution de haute précision des objets stellaires dans le domaine optique, en particulier en utilisant des télescopes Tcherenkov atmosphériques à imagerie (IACT). Cependant, une limitation fondamentale de l'II est la perte d'information de phase ; les détecteurs mesurent uniquement la corrélation d'intensité (visibilité au carré) des photons, et non la phase. Cela rend la reconstruction d'images un problème inverse mal posé. Bien que des méthodes traditionnelles telles que la corrélation triple d'intensité, la récupération itérative de phase (par exemple, l'algorithme de Fienup) et les approches basées sur l'équation de transport de l'intensité (TIE) aient été explorées, elles éprouvent souvent des difficultés de convergence, de sensibilité au bruit ou de complexité computationnelle, en particulier lorsqu'elles traitent des données échantillonnées de manière clairsemée provenant d'ensembles finis de télescopes.

Méthodologie
Les auteurs proposent une approche novatrice utilisant un Réseau Antagoniste Génératif Conditionnel (cGAN) pour reconstruire des images d'étoiles en rotation rapide (FRS) à partir d'observations II simulées. La méthodologie comprend les composants suivants :

1. Simulation des données :

   • Modèles de source : Des images synthétiques de « vérité terrain » d'étoiles fictives en rotation rapide ont été générées. Ces modèles prennent en compte l'aplatissement et l'assombrissement gravitationnel (pôles plus brillants, équateur plus sombre), aboutissant à 31 460 images d'entraînement uniques.
   • Simulation d'observation II : Deux installations terrestres hypothétiques ont été modélisées : l'une avec $N_T=6$ IACT et l'autre avec $N_T=9$ IACT. La simulation a incorporé la rotation de la Terre pour générer des trajectoires de base dans le plan de Fourier $(u, v)$.
   • Génération des entrées : Les images de « vérité terrain » ont été transformées dans le domaine de Fourier, et leurs valeurs absolues ont été échantillonnées le long des trajectoires de base spécifiques des réseaux de 6 et 9 télescopes. Cela a donné lieu à des cartes d'intensité échantillonnées de manière clairsemée et sans phase, représentant les observations II. Un bruit de type « sel et poivre » a été ajouté pour renforcer la robustesse du modèle.

2. Architecture cGAN :

   • Cadre : L'étude utilise une architecture Pix2Pix cGAN (Isola et al., 2017), qui effectue une traduction d'image à image.
   • Conditionnement : Les motifs d'observation II clairsemés et bruités servent de variable de conditionnement ($y$), tandis que les images de haute fidélité de la surface stellaire servent de « vérité terrain » cible ($x$).
   • Générateur : Implémenté sous forme d'un réseau convolutif U-Net avec une structure encodeur-décodeur et des connexions résiduelles (skip connections). Cela permet au réseau de capturer à la fois le contexte global et les détails locaux à haute fréquence (par exemple, l'assombrissement des bords, l'aplatissement).
   • Discriminateur : Un modèle PatchGAN a été employé pour évaluer le caractère « réel » de patches d'image locaux plutôt que de l'image entière, améliorant la récupération de la texture et réduisant le coût computationnel.
   • Fonction de perte : La perte totale combine la perte antagoniste (jeu minimax) avec une perte L1 (erreur absolue moyenne) pour imposer une fidélité pixel par pixel entre l'image générée et la vérité terrain.

3. Entraînement et validation :

   • L'ensemble de données a été divisé en 80 % pour l'entraînement, 10 % pour la validation et 10 % pour le test.
   • Les hyperparamètres ont été ajustés, incluant un taux d'apprentissage de $2 \times 10^{-4}$, une taille de noyau de 5, et un ratio de répétition du discriminateur de 1 (nombre d'étapes d'entraînement égales pour les deux réseaux).
   • Le modèle a été entraîné pour minimiser l'écart entre l'image générée et la vérité terrain tout en satisfaisant les contraintes imposées par les données II clairsemées.

Résultats clés
Le modèle cGAN entraîné a été évalué sur un ensemble de test d'étoiles en rotation rapide non vues, en utilisant les configurations à 6 et 9 télescopes :

• Reconstruction visuelle : Le modèle a reconstruit avec succès la forme, la taille et la distribution de luminosité des étoiles. Les images prédites correspondaient visuellement à la vérité terrain, capturant la forme aplatie et les effets d'assombrissement gravitationnel, malgré le fait que l'entrée soit constituée de données échantillonnées de manière clairsemée provenant de seulement 15 (pour $N_T=6$) ou 36 (pour $N_T=9$) bases.
• Évaluation quantitative (moments d'image) : Les auteurs ont évalué la qualité de la reconstruction en utilisant des moments statistiques d'image (monopôle, centroïdes et moments centrés jusqu'au troisième ordre).
  • Les métriques de dispersion entre la vérité terrain et les moments prédits étaient généralement faibles, indiquant un apprentissage robuste.
  • Fait intéressant, la configuration à 6 télescopes ($N_T=6$) a produit des valeurs de dispersion légèrement inférieures à celles de la configuration à 9 télescopes ($N_T=9$). Les auteurs attribuent cela à la géométrie spécifique des trajectoires de base, suggérant qu'une couverture optimisée du plan $(u, v)$ est plus critique pour la qualité de la reconstruction que l'augmentation simple du nombre total de bases.
• Récupération des paramètres : Le modèle a récupéré efficacement des paramètres physiques tels que l'orientation, les axes semi-majeurs/minores et l'excentricité, dérivés des moments centrés d'ordre deux.

Signification et revendications
L'article présente ce travail comme une « première tentative » d'application des cGAN à la reconstruction d'images en interférométrie d'intensité. Les auteurs affirment que :

1. Faisabilité : Il est possible de reconstruire des images de haute fidélité de systèmes stellaires complexes (spécifiquement des rotateurs rapides à assombrissement gravitationnel) à partir des données clairsemées et sans phase typiques de l'II, à condition qu'un nombre suffisant de bases soit disponible.
2. Évolutivité : Bien que l'exemple actuel (rotateurs rapides) puisse théoriquement être résolu par ajustement de paramètres, les auteurs suggèrent que les techniques d'apprentissage automatique sont mieux adaptées pour reconstruire des systèmes plus complexes avec des caractéristiques de surface variées à mesure que les réseaux d'IACT s'agrandissent (par exemple, le futur Observatoire du Télescope Tcherenkov).
3. Avancement méthodologique : L'étude démontre que les cGAN peuvent efficacement combler le fossé entre les mesures interférométriques clairsemées et la reconstruction complète d'images, offrant une alternative prometteuse aux algorithmes traditionnels de récupération de phase qui peinent avec le bruit et la convergence.

Les auteurs maintiennent un ton modeste, notant que les résultats sont basés sur des données simulées et que les travaux futurs devront aborder les efficacités des détecteurs, les caractéristiques réelles du bruit et l'optimisation des dispositions des réseaux de télescopes pour réaliser pleinement le potentiel de cette approche.