Radio-Interferometric Image Reconstruction with Denoising Diffusion Restoration Models

Titolo: Ricostruzione di immagini interferometriche radio con modelli di ripristino basati sulla diffusione (DDRM)

Autori: M. Morales, E. Tolley, R. Poitevineau (EPFL, Svizzera)
Data: Aprile 2026 (Preprint)

1. Il Problema

La ricostruzione di immagini del cielo radio a partire da informazioni di Fourier incomplete rappresenta una sfida fondamentale in radioastronomia. I layout sparsi degli interferometri radio risultano in un campionamento incompleto dello spazio delle frequenze (spazio $u,v$).

• Natura del problema: Si tratta di un problema inverso mal posto che richiede algoritmi avanzati e regolarizzazioni forti per compensare le informazioni mancanti.
• Limiti degli approcci tradizionali: L'algoritmo standard CLEAN (e le sue varianti come Multi-scale CLEAN) è robusto ma presenta limitazioni: le prestazioni dipendono da parametri definiti dall'utente, manca una quantificazione dell'incertezza e le emissioni complesse sono difficili da modellare con componenti discrete.
• Limiti degli approcci ML esistenti: Le recenti tecniche di apprendimento automatico (reti neurali, inpainting) spesso richiedono un addestramento specifico per una configurazione di antenne particolare, rendendole non trasferibili tra diversi telescopi o configurazioni di osservazione senza ri-addestramento.

2. Metodologia

Gli autori propongono un metodo di deep learning che integra naturalmente la fisica del processo di misura, rendendolo agnostico rispetto alla specifica configurazione delle antenne.

A. Priori basati su Modelli Diffusivi (DDPM)

• Viene addestrato un Denoising Diffusion Probabilistic Model (DDPM) per apprendere la morfologia delle galassie radio.
• Dati di addestramento: Utilizzo di osservazioni del survey VLA FIRST (circa 21.758 immagini di galassie radio, inclusi FRI, FRII, sorgenti compatte e piegate).
• Architettura: Una rete U-Net con connessioni di skip, blocchi ResNet e livelli FiLM, con circa 40 milioni di parametri.
• Il modello apprende la distribuzione dei dati del cielo radio, fungendo da prior guidato dai dati.

B. Campionamento Posteriori con DDRM

Per la ricostruzione, viene utilizzato un metodo di campionamento posteriori non supervisionato chiamato Denoising Diffusion Restoration Models (DDRM).

• Principio: DDRM esegue un campionamento approssimato della distribuzione posteriore $p(x_0|y)$, dove $x_0$ è l'immagine vera e $y$ sono le visibilità osservate (rumorose).
• Integrazione Fisica: Il metodo incorpora l'equazione di misura lineare $y = Hx + z$, dove $H$ è l'operatore di trasformazione (matrice di campionamento $S$ moltiplicata per la trasformata di Fourier $F$).
• SVD e Aggiornamento: L'algoritmo utilizza la decomposizione ai valori singolari (SVD) dell'operatore di campionamento per aggiornare l'immagine durante il processo inverso di diffusione.
  • Per le componenti con valore singolare nullo (informazioni mancanti), il modello si affida al prior appreso.
  • Per le componenti con informazioni misurate, l'aggiornamento è guidato dai dati osservati, pesato in base al rapporto segnale-rumore e all'incertezza.
• Vantaggio chiave: A differenza di altri metodi ML, questo approccio non richiede di essere ri-addestrato per diverse configurazioni di telescopi (VLA, EHT, ALMA), poiché la fisica della misura è codificata nel passo di consistenza dei dati, non nella rete neurale stessa.

3. Contributi Chiave

1. Agnosticismo della configurazione: Il metodo non necessita di essere addestrato su una specifica disposizione di antenne, a differenza delle reti neurali convoluzionali tradizionali per la radioastronomia.
2. Integrazione fisica: Incorpora direttamente l'equazione di misura e il modello di rumore nel processo di generazione.
3. Superiorità rispetto a CLEAN: Dimostra un miglioramento marcato rispetto alle tecniche basate su visibilità grigliate come CLEAN, MS-CLEAN e algoritmi di compressed sensing (es. MORESANE/IUWT).
4. Generazione di campioni multipli: Essendo un modello generativo, può produrre diverse ricostruzioni plausibili, offrendo potenzialmente una stima dell'incertezza (sebbene con limitazioni attuali).

4. Risultati

Gli esperimenti sono stati condotti su dati simulati per tre configurazioni: VLA, Event Horizon Telescope (EHT) e ALMA.

• Qualità dell'immagine:
  • DDRM ricostruisce la morfologia centrale delle sorgenti con alta fedeltà, eliminando quasi completamente gli artefatti del "dirty beam" (fascio sporco) tipici di CLEAN.
  • Metriche: DDRM ottiene un errore quadratico medio (MSE) di almeno 2 ordini di grandezza inferiore rispetto a CLEAN, MS-CLEAN e IUWT CS, anche in presenza di rumore elevato ($\sigma_y = 0.1$).
  • PSNR/SNR: Valori significativamente più alti rispetto ai metodi tradizionali (es. PSNR ~62.9 per VLA con 1000 step).
• Efficienza:
  • La ricostruzione è molto veloce: con soli 10 step di campionamento si ottiene un MSE eccellente in 0.44 secondi (su GPU NVIDIA GH200).
  • L'uso di 1000 step massimizza la qualità (MSE $5.2 \times 10^{-7}$).
• Robustezza e Fuori Dominio:
  • Il metodo è stato testato su una galassia "out-of-domain" (3c535) non presente nel set di addestramento. DDRM ha mostrato prestazioni superiori a MS-CLEAN e paragonabili a IUWT CS, recuperando meglio le componenti diffuse a basso flusso.
  • Il metodo rimane robusto anche se la stima del rumore ($\sigma_y$) è errata (es. impostata a 0 quando non è zero).
• Limiti nell'incertezza:
  • Sebbene DDRM generi diverse ricostruzioni, la varianza tra queste non rappresenta accuratamente l'errore di ricostruzione reale (il modello è "overconfident", con SRE > 1 in molti casi). Le componenti a basso flusso vengono talvolta perse nella media, ma appaiono nella mappa di deviazione standard.

5. Significato e Conclusioni

Questo lavoro rappresenta un passo avanti significativo nell'elaborazione delle immagini radioastronomiche.

• Paradigma Shift: Sposta l'approccio dalla regolarizzazione basata su sparsità (come in CLEAN o CS) a un prior guidato dai dati appreso tramite diffusione, mantenendo la consistenza fisica con le osservazioni.
• Versatilità: La capacità di adattarsi a diverse configurazioni di telescopi (VLA, EHT, ALMA) senza ri-addestramento rende la tecnica scalabile per future missioni e array.
• Futuro: Sebbene le dimensioni delle immagini siano attualmente limitate a $150 \times 150$ pixel (a causa dei dati di addestramento) e la calibrazione dell'incertezza richieda miglioramenti, il metodo dimostra un potenziale enorme per la ricostruzione di immagini ad alta fedeltà. Gli autori suggeriscono che l'uso di prior addestrati su survey più ampi (es. LoTSS o MeerKAT) e tecniche di calibrazione (come la previsione conformale) potrebbero risolvere le attuali limitazioni.

In sintesi, DDRM offre una ricostruzione più precisa, veloce e fisicamente coerente rispetto agli standard attuali, aprendo la strada all'uso di modelli generativi avanzati nella radioastronomia.