Résumé Technique : Géométrie de Mesure et Conception pour les Problèmes Inverses Génératifs Fiables

1. Énoncé du Problème

Les modèles génératifs, en particulier les modèles de diffusion, sont devenus des priors standards pour la résolution de problèmes inverses (par exemple, $y = Ax^* + e$) dans des domaines tels que l'imagerie médicale. Bien que ces modèles permettent une reconstruction à partir de mesures très sous-déterminées, ils introduisent un problème fondamental de « confiance » : une image reconstruite peut être visuellement plausible et cohérente avec les mesures, tout en étant une « hallucination » générée par le prior selon des directions non observées par l'opérateur de mesure $A$.

Le défi central consiste à distinguer une reconstruction soutenue par des données réelles d'une reconstruction complétée par le prior. En imagerie médicale, où l'acquisition est contrainte par le temps de balayage, la dose de radiation et le matériel, cette distinction est critique. La théorie existante de l'acquisition compressée repose souvent sur des propriétés globales d'opérateurs de mesure aléatoires (par exemple, la propriété d'isométrie restreinte ou RIP) ou suppose des opérateurs fixes. Cet article aborde la question spécifique de l'acquisition spécifique au scan : étant donné un prior génératif fixe et un ensemble initial de mesures, comment déterminer si l'opérateur peut distinguer la cible des alternatives plausibles proches, et comment concevoir des mesures structurées supplémentaires pour résoudre les ambiguïtés restantes ?

2. Méthodologie

2.1 Perspective de la Géométrie de Mesure

Les auteurs proposent de voir le problème à travers le prisme de la géométrie de mesure. Ils modélisent le prior génératif comme définissant une variété de données locale $\mathcal{M}$ autour du signal réel $x^*$. L'hypothèse centrale est qu'un opérateur de mesure n'est fiable que dans la mesure où il observe les directions tangentes de cette variété locale. Si l'opérateur est insensible à une direction tangente, deux images visuellement distinctes sur la variété peuvent produire des mesures presque identiques, entraînant une ambiguïté.

2.2 Stabilité Locale et Indices de Compatibilité

L'article formalise cette intuition via un théorème de stabilité locale. Soit $U_*$ une base de l'espace tangent $T_{x^*}\mathcal{M}$. Les auteurs définissent deux quantités clés :

1. Qualité de Mesure Locale ($\alpha$) :
   $$\alpha(A; x^*) := \sigma_{\min}(AU_*)$$
   Ceci représente la plus petite valeur singulière de l'opérateur restreint à l'espace tangent. Elle sert de « certificat de la pire direction ». Le Théorème 1 prouve que, sous des hypothèses de régularité locale, $\alpha$ contrôle la composante tangentielle de l'erreur de reconstruction. Si $\alpha$ est faible, le prior ne peut pas distinguer le signal réel d'une alternative proche, menant à de potentielles hallucinations.

2. Score de Log-Déterminant ($S_\tau$) :
   $$S_\tau(A; x^*) := \log \det(U_*^\top A^\top A U_* + \tau I_r)$$
   Cette quantité récompense la préservation du volume à travers l'ensemble de l'espace tangent local. Alors que $\alpha$ fournit une borne théorique pour la pire direction, $S_\tau$ est proposé comme un objectif pratique et opérationnel pour la sélection gourmande de mesures.

2.3 Conception de Mesures par Nuage de Postériors

Pour répondre à la question de la conception (comment choisir de meilleures mesures), les auteurs introduisent un cadre d'acquisition séquentielle en deux étapes qui ne nécessite pas l'entraînement d'une nouvelle politique d'échantillonnage :

1. Étape 1 : Acquérir un ensemble initial de mesures structurées (par exemple, un masque fixe ou des angles de projection) pour obtenir une reconstruction grossière.
2. Étape 2 : Utiliser le prior génératif pré-entraîné pour échantillonner un nuage de postérieurs conditionné par les mesures de l'étape 1. À partir de ce nuage, estimer un sous-espace local (base tangente).
3. Sélection : Sélectionner de manière gourmande des mesures supplémentaires réalisables (par exemple, des lignes spécifiques de l'espace k ou des angles de projection) qui maximisent le score incrémental du log-déterminant $S_\tau$ sur le sous-espace estimé.

Cette approche adapte l'opérateur de mesure à la géométrie spécifique du postérieur du scan actuel sans nécessiter de données de vérité terrain ou de réentraînement.

3. Contributions Clés

1. Cadre de Géométrie de Mesure : L'article établit une perspective géométrique pour les problèmes inverses génératifs fiables, identifiant l'« ambiguïté tangentielle » comme la cause profonde des hallucinations induites par la mesure.
2. Indice de Compatibilité Locale : Il introduit l'indice $\alpha(A; x^*)$ et le score $S_\tau(A; x^*)$ pour quantifier la compatibilité entre un opérateur de mesure et la variété de données locale, fournissant un lien théorique entre la conception de l'opérateur et la stabilité de la reconstruction.
3. Conception sans Politiques Apprises : Les auteurs proposent une règle de conception par « nuage de postérieurs » qui sélectionne des mesures structurées au moment du test en se basant sur la géométrie du postérieur actuel. Cela évite le besoin d'entraîner un réseau de masquage ou une politique d'échantillonnage séparé, se distinguant ainsi des méthodes d'acquisition entièrement apprises.
4. Validation Empirique : Le cadre est validé à travers trois contextes d'acquisition structurée distincts :
   • Échantillonnage par Lignes (MNIST) : Démontrant que des motifs de lignes spécifiques peuvent induire des hallucinations (par exemple, reconstruire un '9' comme un '7') et que les scores géométriques sont corrélés à l'erreur de reconstruction.
   • Sélection d'Angles Tomographiques (MNIST-CT) : Montrant que la sélection d'angles adaptative basée sur les nuages de postérieurs surpasse les stratégies d'angles fixes ou aléatoires.
   • Échantillonnage Cartésien FastMRI : Démontrant que la conception par nuage de postérieurs améliore les bases non-apprises fortes (ex: masques à densité variable et de type Poisson) dans la sélection de lignes de l'espace k, même en préservant les régions de calibration (ACS).

4. Résultats

• Corrélation avec l'Erreur : Dans les expériences d'échantillonnage de lignes MNIST, les scores géométriques proposés ($\hat{\alpha}$ et $\hat{S}_\tau$) ont montré de fortes corrélations négatives avec l'erreur de reconstruction (corrélations de Pearson/Spearman autour de -0,5 à -0,6), confirmant qu'une meilleure observabilité de la variété conduit à une erreur plus faible.
• Atténuation des Hallucinations : L'étude a visualisé comment des masques insuffisants mènent à des hallucinations cohérentes avec la mesure. Les conceptions adaptatives proposées ont réussi à réduire ces modes de défaillance en sélectionnant des mesures qui traversent les « régions de traits » séparant des alternatives plausibles.
• Gains de Performance :
  • Dans MNIST-CT, la méthode adaptative par nuage de postérieurs a obtenu l'erreur relative la plus faible pour tous les budgets d'angles testés (ex: 0,3145 contre 0,3231 pour un espacement uniforme dans un réglage 7+7).
  • Dans FastMRI (R=6), la méthode adaptative utilisant un préfixe VDS suivi de la sélection par nuage de postérieurs a atteint un NRMSE de 0,0620 et un SSIM de 0,9574. Cela a surpassé la base forte non-apprise d'ACS + VD-Poisson-like (NRMSE 0,0662, SSIM 0,9528), démontrant que l'adaptation au moment du test peut affiner même des masques statiques bien ajustés.

5. Signification et Revendications

L'article affirme que la fiabilité dans les problèmes inverses génératifs ne dépend pas uniquement du prior ou du solveur, mais dépend fondamentalement de la capacité de l'opérateur de mesure à résoudre les alternatives localement plausibles induites par ce prior.

• Pouvoir Explicatif : Le cadre fournit une explication géométrique des hallucinations : elles surviennent lorsque l'opérateur ne parvient pas à observer les directions tangentes où le prior permet une variation significative.
• Principe de Conception : Il offre un principe de conception conservateur et pratique pour l'acquisition structurée. En optimisant la préservation du volume local (via le score du log-déterminant) sur le nuage de postérieurs, on peut sélectionner des mesures qui réduisent l'ambiguïté sans nécessendre de données de vérité terrain pour l'entraînement.
• Modestie des Revendications : Les auteurs précisent explicitement que leurs affirmations sont locales et directionnelles plutôt que globales. Le score du log-déterminant est un substitut pratique pour la valeur singulière du pire cas, et non une garantie que chaque étape gourmande améliore la borne du pire cas. De plus, la comparaison se fait contre des bases non-apprises ; l'article reconnaît que des politiques d'acquisition entièrement apprises (entraînées sur de grands jeux de données) pourraient atteindre des performances absolues plus élevées, mais répondent à une question différente en s'appuyant sur des distributions d'entraînement plutôt que sur la géométrie du postérieur au moment du test.

En conclusion, ce travail comble le fossé entre les priors génératifs et la conception de la mesure, arguant que pour un solveur donné, l'opérateur de mesure reste un « déterminant de premier rang » de la fiabilité de la reconstruction.