तकनीकी सारांश: न्यूरल फेज कोरिलेशन (Neural Phase Correlation)

समस्या विवरण (Problem Statement)

डेंस कॉरेस्पोंडेंस (Dense correspondence) का लक्ष्य एक ही दृश्य के दो अवलोकनों के बीच प्रति-पिक्सेल मैपिंग स्थापित करना है। वर्तमान प्रमुख लर्निंग-आधारित विधियाँ दो आर्किटेक्चरल परंपराओं में विभाजित हैं:

1. डिस्क्रिप्टर-आधारित विधियाँ (Descriptor-based methods): प्रत्येक छवि को स्वतंत्र रूप से एनकोड करती हैं और फीचर वेक्टर्स (जैसे SIFT, लर्नड डिस्क्रिप्टर्स, कॉस्ट-वॉल्यूम नेटवर्क) के बीच समानता गणना के माध्यम से कॉरेस्पोंडेंस का अनुमान लगाती हैं।
2. कंकाटेनेशन-आधारित विधियाँ (Concatenation-based methods): इमेज पेयर्स को एक लर्नड एनकोडर में इनपुट के रूप में स्टैक करती हैं ताकि सीधे विस्थापन क्षेत्र (displacement field) को रिgress किया जा सके (जैसे VoxelMorph, TransMorph), और कभी भी स्पष्ट समानता मीट्रिक का निर्माण नहीं करती हैं।

दोनों परंपराएँ ट्रांसफॉर्मेशन को समानता फलन (similarity function) या डिकोडर के एक निहित आउटपुट के रूप में मानती हैं। इसके विपरीत, फेज कोरिलेशन (phase correlation) एक मौलिक अपवाद है, जो फूरियर डोमेन में छवियों के बीच संबंधों को सीधे मापता है। हालाँकि, क्लासिकल फेज कोरिलेशन कठोर है: यह एक निश्चित फूरियर बेसिस पर निर्भर करता है जहाँ प्रत्येक क्रॉस-पावर-स्पेक्ट्रम पीक एक एकल शिफ्ट पैरामीटर को एनकोड करती है, जो विधि को केवल ग्लोबल ट्रांसलेशन तक सीमित कर देती है। जब यह कठोर धारणा विफल हो जाती है (जैसे, नॉन-रिजिड विरूपण/deformation में), तो विधि बिना किसी सिद्धांतगत डायग्नोस्टिक के टूट जाती है कि वह क्यों विफल हुई।

कार्यप्रणाली (Methodology)

यह शोध पत्र न्यूरल फेज कोरिलेशन (NPC) पेश करता है, जो फेज कोरिलेशन का एक सीखा हुआ सामान्यीकरण (learned generalization) है जो निश्चित फूरियर बेसिस को सीखे हुए फिल्टर पेयर्स द्वारा प्रतिस्थापित करता है। मुख्य परिकल्पना यह है कि दो इमेज पैच के बीच का स्थानीय रूपांतरण (local transformation), 2-D इनवेरिएंट सबस्पेस पर कार्य करने वाले एक ऑर्थोगोनल ऑपरेटर के रूप में मॉडल किया जा सकता है।

मुख्य आर्किटेक्चर (Core Architecture)

यह फ्रेमवर्क तीन चरणों से मिलकर बना है, जो क्लासिकल फेज कोरिलेशन पाइपलाइन का सामान्यीकरण करता है:

1. लर्नड फिल्टर पेयर्स (एनकोडर):
   निश्चित फूरियर ट्रांसफॉर्म के बजाय, एनकोडर फिल्टर पेयर्स $\Psi$ और $\Phi$ के दो बैंकों को सीखता है। प्रत्येक जोड़ा $(\psi_k, \phi_k)$ एक 2-D सबस्पेस को स्पैन करता है। मॉडल यह मानता है कि एक स्थानीय पैच ट्रांसफॉर्मेशन $L_p$ के लिए, ये सबस्पेस $L_p$ के इनवेरिएंट सबस्पेस के साथ संरेखित होते हैं, जहाँ $L_p$ एक प्लानर रोटेशन $R(\theta_k)$ के रूप में कार्य करता है।
   $$y(p) = L_p x(p), \quad L_p = U \text{diag}(R(\theta_1), \dots, R(\theta_C)) U^T$$
   यहाँ, $U$ एक सीखा हुआ, स्थान-निर्भर आइगेनबेसिस (eigenbasis) है, और फिल्टर्स इन सबस्पेस को स्पैन करना सीखते हैं।

2. बाइलीनियर इंटरैक्शन और रेजिडुअल गेटिंग (Bilinear Interaction & Residual Gating):
   प्रत्येक फिल्टर पेयर $k$ के लिए, मॉडल रिस्पॉन्स $\psi_k^T x$ और $\phi_k^T y$ की गणना करता है। एक बाइलीनियर इंटरैक्शन रोटेशन एंगल $(\cos \theta_k, \sin \theta_k)$ और मैग्नीट्यूड निकालता है।
   महत्वपूर्ण रूप से, फ्रेमवर्क एक क्लोज्ड-फॉर्म प्रति-स्थान रेजिडुअल (per-location residual) $r_k^2(p)$ पेश करता है:
   $$r_k^2(p) = \left( \|\phi_k^T y(p)\| - \|\psi_k^T x(p)\| \right)^2$$
   यह रेजिडुअल परीक्षण करता है कि क्या फिल्टर पेयर का स्पैन स्थानीय ट्रांसफॉर्मेशन के तहत इनवेरिएंट है। यदि स्पैन इनवेरिएंट है और ऑपरेटर ऑर्थोगोनल है, तो रेजिडुअल शून्य होता है।

• इन्फरेंस (Inference): एक डिफरेंशिएबल Top-K सिलेक्शन उन सबस्पेस को मास्क करता है जिनमें उच्च रेजिड्यूल्स होते हैं, जिससे गैर-इनवेरिएंट सबस्पेस को विस्थापन अनुमान को खराब करने से रोका जा सके।
• ट्रेनिंग (Training): रेजिड्यूअल सुपरविजन को गेट करता है, जिससे फिल्टर बैंक को "जनरलिस्ट" बनने के बजाय "स्पेशलिस्ट" (ऐसे जोड़े जो विशिष्ट रूपांतरणों के साथ संरेखित होते हैं) की ओर अभिसरित होने के लिए प्रोत्साहित किया जाता है।

3. ODE इंस्टैंशिएशन (डिकोडर):
   बड़े विरूपण (deformations) को संभालने के लिए, मॉडल विस्थापन क्षेत्र $\phi(t)$ पर एक नॉन-ऑटोनॉमस ऑर्डिनरी डिफरेंशियल इक्वेशन (ODE) को इटरेट करता है:
   $$\frac{d\phi}{dt} = M(x \circ \phi(t), y), \quad \phi(0) = \text{id}$$
   मॉडल को प्रत्येक टाइम स्टेप पर प्रगतिशील रूप से वार्प्ड मूविंग इमेज के विरुद्ध पुन: मूल्यांकित किया जाता है। यह बड़े विस्थापनों को पहले और सूक्ष्म-स्तर के सुधारों को बाद में कैप्चर करने की अनुमति देता है।

मुख्य योगदान (Key Contributions)

1. फेज कोरिलेशन का सीखा हुआ सामान्यीकरण: फ्रेमवर्क फेज कोरिलेशन प्रिमिटिव को ग्लोबल ट्रांसलेशन से लेकर नॉन-रिजिड विरूपण के तहत सघन, स्थानिक रूप से परिवर्तनशील कॉरेस्पोंडेंस तक विस्तारित करता है, जो उस आधार को सीखता है जिस पर ट्रांसफॉर्मेशन विघटित (decompose) होता है।
2. क्लोज्ड-फॉर्म रेजिड्यूअल मैकेनिज्म: एक सैद्धांतिक रूप से पुष्ट रेजिड्यूअल $r_k^2$ (परिशिष्ट B में आवश्यक और लगभग-निश्चित रूप से पर्याप्त सिद्ध) जो सबस्पेस इनवेरिएंस का परीक्षण करता है। यह एक अंतर्निहित डायग्नोस्टिक के रूप में कार्य करता है, जो इन्फरेंस के दौरान अमान्य सबस्पेस को मास्क करता है और ट्रेनिंग के दौरान फिल्टर बैंक को आकार देता है।
3. टास्क-अज्ञेय (Task-Agnostic) एनकोडर, टास्क-विशिष्ट डिकोडर: एनकोडर स्थानीय ऑर्थोगोनल ऑपरेटर्स को रिकवर करता है चाहे कार्य कुछ भी हो। डिकोडर इस एनकोडिंग को अनुकूलित करता है:
   • इमेज रजिस्ट्रेशन के लिए, एंगल्स एक सघन विस्थापन क्षेत्र संचालित करते हैं।
   • यूनिटरी डायनेमिक्स के लिए, एंगल्स आइगेनएनर्जी फेजेस का प्रतिनिधित्व करते हैं, जिससे वेवफंक्शंस और हैमिल्टोनियन स्पेक्ट्रा का पुनर्निर्माण संभव होता है।
4. स्टेट-ऑफ-द-आर्ट प्रदर्शन: फ्रेमवर्क बिना किसी सहायक स्कोरिंग या अडैप्टिव-स्मूथनेस तंत्र के मेडिकल इमेजिंग बेंचमार्क पर शीर्ष परिणाम प्राप्त करता है।

प्रयोगात्मक परिणाम (Experimental Results)

मेडिकल इमेज रजिस्ट्रेशन

• ACDC (कार्डियक MRI): मॉडल कठिन ED→ES दिशा में 0.863 का औसत डाइस स्कोर और 0.843 प्राप्त करता है, जो सबसे मजबूत प्रकाशित बेसलाइन्स (जैसे DWCP 0.837/0.813) से अधिक है। यह VoxelMorph को उसी लॉस फंक्शन के साथ पुन: प्रशिक्षित करने पर भी बेहतर प्रदर्शन करता है, जो आर्किटेक्चरल लाभ को अलग करता है।
• CAMUS (इकोकार्डियोग्राफी): मॉडल LV मायोकार्डियम के लिए 0.820 के डाइस के साथ स्टेट-ऑफ-द-आर्ट (VoxelMorph + AdaCS) से मेल खाता है, लेकिन बिना किसी सहायक कॉरेस्पोंडेंस-स्कोरिंग एस्टिमेटर या अडैप्टिव-स्मूथनेस मशीनरी के। इसका आंतरिक रेजिड्यूअल मैकेनिज्म समान विश्वसनीयता गेटिंग प्रदान करता है।
• सामान्यीकरण (Generalization): यह विधि 2-D ब्रेन MRI (OASIS) और सब-मीटर सिंथेटिक अपर्चर रडार (SAR) इमेजरी पर भी क्लासिकल फेज कोरिलेशन से बेहतर प्रदर्शन करती है।

क्वांटम हार्मोनिक ऑसिलेटर (QHO)

अनदेखे समय अंतराल $\tau$ के साथ 1-D क्वांटम हार्मोनिक ऑसिलेटर के टाइम-इवॉल्वड वेवफंक्शन पेयर्स पर लागू किया गया:

• फ्रेमवर्क विश्लेतिक समाधानों के विरुद्ध 1.000 के पॉइंटवाइज ओवरलैप के साथ हर्मिट-फंक्शन आइगेनस्टेट्स को रिकवर करता है।
• यह केवल ऑब्जर्वेशन पेयर्स से अज्ञात हैमिल्टोनियन के क्वांटाइज्ड एनर्जी लेवल्स को रिकवर करता है।
• मॉडल हैमिल्टोनियन, गुणांकों या समय अंतराल को देखे बिना काम करता है, जो प्रिमिटिव की बीजगणितीय व्यापकता को प्रदर्शित करता है।

महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि न्यूरल फेज कोरिलेशन एक स्ट्रक्चरल ट्रांसपेरेंसी प्रदान करता है जो डिस्क्रिप्टर-आधारित आर्किटेक्चर में अनुपस्थित है। पारंपरिक डीप लर्निंग में, विफलता के मोड अक्सर अस्पष्ट होते हैं; NPC में, विफलता को रेजिड्यूअल मैग्नीट्यूड के माध्यम से विशिष्ट उल्लंघन किए गए धारणाओं (गैर-इनवेरिएंट सबस्पेस) के कारण ट्रैक किया जा सकता है।

यह कार्य फेज कोरिलेशन को एक उपकरण के रूप में सामान्य करता है जो ऑब्जर्वेशन पेयर्स से ऑर्थोगोनल ऑपरेटर्स को रिकवर करता है। लेखकों का तर्क है कि जबकि डिस्क्रिप्टर-आधारित प्रतिमान नेटवर्क को शून्य से कॉरेस्पोंडेंस खोजने के लिए मजबूर करते हैं, यह फ्रेमवर्क नेटवर्क को केवल उस संरचना की रेजिड्यूअल अनियमितताओं को सीखने तक सीमित करता है जो पहले से ही अधिकांश कार्य (ऑर्थोगोनल प्रकृति) को एनकोड करती है। एक ही बीजगणितीय प्रिमिटिव सफलतापूर्वक कार्डियक रजिस्ट्रेशन और क्वांटम हैमिल्टोनियन रिकवरी दोनों को हल करता है, जो सघन कॉरेस्पोंडेंस और डायनेमिकल सिस्टम आइडेंटिफिकेशन के लिए एक एकीकृत दृष्टिकोण का सुझाव देता है।

सीमाएं: फ्रेमवर्क यह मान लेता है कि स्थानीय रूपांतरण लगभग ऑर्थोगोनल है। यह बिना संशोधन के गैर-लोकल ऑर्थोगोनल संरचनाओं (जैसे, दूर के पिक्सेल को मिलाने वाला ऑप्टिकल फ्लो) को कैप्चर नहीं कर सकता है। इसके अतिरिक्त, QHO प्रयोग के लिए, ग्लोबल फेज के प्रति पुनर्निर्माण लॉस की इनवेरिएंस बड़े समय अंतराल पर स्पेक्ट्रम विखंडन (fragmentation) की ओर ले जा सकती है, जिससे ऊर्जा रिकवरी सीमित हो जाती है।