Marginal multi-object multi-frame blind deconvolution

Sintesi Tecnica: Deconvoluzione Cieca Multi-Obiettivo Multi-Fotogramma Marginale

Enunciato del Problema
L'imaging solare da terra ad alta risoluzione è fondamentalmente limitato dalla turbolenza atmosferica, che introduce fluttuazioni dell'indice di rifrazione degradando la qualità dell'immagine. Sebbene i sistemi di Ottica Adattiva (AO) forniscano una correzione parziale, persistono errori residui del fronte d'onda, rendendo necessaria un'immagine di restauro post-fatto per avvicinarsi al limite di diffrazione teorico. I metodi tradizionali di restauro, in particolare la Deconvoluzione Cieca Multi-Obiettivo Multi-Fotogramma (MOMFBD), si basano sulla stima congiunta della Massima Verosimiglianza (ML). In questo quadro, l'oggetto solare e le aberrazioni atmosferiche sono stimati simultaneamente massimizzando la verosimiglianza dei dati osservati.

Tuttavia, l'approccio ML congiunto affronta sfide significative, specialmente nei regimi a basso rapporto segnale-rumore (SNR). Poiché cerca una stima puntuale congiunta sia per l'oggetto che per il fronte d'onda, il problema è spesso mal posto. In presenza di rumore, l'algoritmo tende a sovradattare, assegnando erroneamente potenza del rumore ad aberrazioni di ordine superiore. Ciò necessita di filtraggio di Fourier artigianale e di un affinamento dei parametri di regolarizzazione. Inoltre, il contrasto della ricostruzione è altamente sensibile agli iperparametri che governano la Densità Spettrale di Potenza (PSD) del prior dell'oggetto, richiedendo una sintonizzazione manuale esperta che è dispendiosa in termini di tempo e difficile da standardizzare.

Metodologia
Il documento propone un passaggio dalla stima puntuale congiunta a un quadro Massima A-Posteriori Marginale (MMAP). Invece di risolvere simultaneamente per l'oggetto e le aberrazioni, gli oggetti sono trattati come "parametri di disturbo". Definendo un prior bayesiano adeguato per gli oggetti e marginalizzandoli (integrando su di essi), il metodo isola la probabilità a posteriori delle sole aberrazioni.

La formulazione matematica procede come segue:

1. Impostazione del Modello: Il modello di osservazione assume $J$ fotogrammi a breve esposizione per $K$ oggetti co-spatiali con $L$ canali di diversità. L'immagine osservata è modellata come la convoluzione del vero oggetto con una Funzione di Dispersione del Punto (PSF) che rappresenta la turbolenza istantanea, più un rumore additivo.
2. Formulazione Bayesiana: La distribuzione a posteriori delle incognite (oggetto $o$ e PSF $H$) è definita. Assumendo priori gaussiani per l'oggetto e rumore gaussiano, la posterior congiunta si fattorizza in un prodotto di due gaussiane.
3. Marginalizzazione: Invece di trovare la stima Massima A-Posteriori (MAP) dell'oggetto e reinserirla nella verosimiglianza (come fatto nella stima congiunta), l'oggetto è integrato fuori. Ciò produce una funzione di verosimiglianza marginalizzata dipendente solo dalle PSF e dagli iperparametri.
4. Implementazione: Viene derivata la log-verosimiglianza marginale negativa. Nel dominio di Fourier, utilizzando l'identità di Woodbury e la formula di Sherman-Morrison, il calcolo diventa efficiente. La funzione di merito risultante è quasi identica allo stimatore congiunto standard ma include un termine aggiuntivo log-determinante.
5. Ottimizzazione: Il metodo utilizza l'ottimizzatore Adam con differenziazione automatica (PyTorch). Viene adottato un approccio di schedulazione in cui i modi di espansione del fronte d'onda sono aumentati gradualmente per evitare minimi locali. Crucialmente, gli iperparametri che controllano la PSD del prior dell'oggetto e la varianza del rumore sono ottimizzati direttamente insieme ai coefficienti del fronte d'onda durante le iterazioni iniziali, dopodiché vengono fissati per prevenire la divergenza.

Contributi Chiave

• Regolarizzazione Potenziata: Il processo di marginalizzazione tiene conto naturalmente dell'incertezza dell'oggetto. Ciò impedisce all'algoritmo di ricostruzione di assegnare potenza del rumore ad aberrazioni di ordine superiore, un comune modo di fallimento nella stima congiunta.
• Controllo Robusto del Contrasto: Lo stimatore marginale è significativamente meno sensibile agli iperparametri che governano la PSD dell'oggetto. Ciò permette di ottimizzare direttamente questi iperparametri, abilitando un dispiegamento "plug-and-play" che elimina la necessità di sintonizzazione manuale esperta.
• Sovraccarico di Implementazione Minimo: Il metodo richiede solo l'aggiunta di un termine log-determinante alla funzione di merito tradizionale. È stato integrato completamente nel pacchetto open-source torchmfbd, richiedendo modifiche minime alle pipeline di deconvoluzione cieca esistenti.
• Selezione Automatica dei Modi: Il comportamento della funzione di perdita marginale permette la selezione automatica del numero ottimale di modi del fronte d'onda. La funzione di perdita mostra un minimo chiaro, bilanciando l'adattamento ai dati con la regolarizzazione, mentre la funzione di perdita congiunta diminuisce monotonicamente, non offrendo tale guida.

Risultati
Il metodo proposto è stato validato utilizzando dati dallo strumento CRISP (SST) e dallo strumento HiFI (GREGOR), coprendo sia regioni attive che osservazioni del Sole quieto.

• Stabilità del Contrasto: Nella stima congiunta, il contrasto della ricostruzione è altamente sensibile all'iperparametro PSD ($\kappa$). Valori piccoli portano a immagini sfocate, mentre valori grandi causano un enhancement artificiale del contrasto e artefatti. Lo stimatore marginale produce un contrasto stabile e realistico senza sintonizzazione.
• Indipendenza dal Numero di Fotogrammi: Variando il numero di fotogrammi ($M$) nel burst, gli stimatori congiunti richiedono un'attenta regolazione del parametro PSD per evitare artefatti o sfocature. Lo stimatore marginale produce automaticamente ricostruzioni con contrasto appropriato e qualità visiva attraverso diversi conteggi di fotogrammi (ad esempio, da $M=2$ a $M=50$).
• Ottimizzazione del Conteggio dei Modi: Esperimenti con dati sintetici hanno dimostrato che la funzione di perdita marginale ha un minimo distinto corrispondente al numero ottimale di modi KL (ad esempio, 60–80 modi per $r_0=10$ cm). Al contrario, la funzione di perdita congiunta diminuisce monotonicamente con l'aumento dei modi, non indicando un punto di arresto ottimale.
• Qualità Visiva: Le ricostruzioni utilizzando lo stimatore marginale mostrano strutture leggermente più definite e un contrasto più elevato rispetto a MOMFBD standard e stimatori congiunti, in particolare nelle regioni penumbrali, senza introdurre artefatti ad alta frequenza.

Significato
Il documento afferma che lo stimatore marginale affronta i limiti intrinseci della tradizionale stima congiunta della Massima Verosimiglianza nell'imaging solare. Fornendo una ricostruzione stabile che è meno sensibile al rumore ad alta frequenza e alle scelte degli iperparametri, il metodo facilita un flusso di lavoro più automatizzato e robusto. La capacità di ottimizzare gli iperparametri e selezionare il numero di modi direttamente dai dati riduce la dipendenza dall'intervento esperto, rendendo il restauro di immagini solari di alta qualità più accessibile alla più ampia comunità di fisica solare. L'integrazione in torchmfbd garantisce la disponibilità immediata per l'elaborazione routinaria dei dati.