Diffusion Graph Posterior Sampling for Nonlinear Inverse Problems with Application to Electrical Impedance Tomography

Riepilogo Tecnico: Campionamento del Posteriore del Grafo di Diffusione per Problemi Inversi Non Lineari con Applicazione alla Tomografia di Impedenza Elettrica

Enunciato del Problema
I problemi inversi nell'imaging, in particolare quelli governati da equazioni differenziali alle derivate parziali (PDE) come la Tomografia di Impedenza Elettrica (EIT), sono caratterizzati da una grave malposedness e non linearità. I metodi variazionali tradizionali si basano su regolarizzazioni artigianali, che spesso non riescono a catturare le caratteristiche complesse e ad alta dimensione delle distribuzioni di dati del mondo reale. Al contrario, gli approcci di deep learning basati sui dati rischiano di introdurre "allucinazioni" (output fisicamente errati ma visivamente plausibili) e tipicamente richiedono un addestramento supervisionato per compiti specifici.

Una sfida strutturale critica nell'EIT è che i domini fisici sono naturalmente discretizzati utilizzando mesh triangolari non strutturate (mesh agli elementi finiti) piuttosto che griglie regolari. Le architetture convoluzionali standard, progettate per griglie di pixel, sono subottimali per questo contesto. L'interpolazione delle quantità agli elementi finiti su griglie regolari introduce imprecisioni geometriche e artefatti incompatibili con il solver PDE diretto. Sebbene il Campionamento del Posteriore di Diffusione (DPS) abbia mostrato promesse per i problemi inversi, i framework esistenti sono prevalentemente basati su griglie e mancano di un approccio nativo per i dati di mesh non strutturata.

Metodologia
Gli autori propongono un nuovo framework, il Campionamento del Posteriore di Diffusione Regolarizzato (RDPS), che estende il DPS per operare nativamente su dati strutturati a grafo (mesh non strutturate). La metodologia consta di tre componenti fondamentali:

1. Rete di Punteggio Condizionata Basata su Grafo:
   Invece di utilizzare reti neurali convoluzionali (CNN), gli autori impiegano una Rete Neurale su Grafo (GNN) multi-scala basata su un'architettura U-Net gerarchica (DGN$\theta$). Questa rete è addestrata direttamente sulla mesh triangolare 2D agli elementi finiti utilizzata per la discretizzazione del dominio. Essa apprende una funzione di punteggio incondizionata $\nabla_{x_t} \log p_t(x_t)$ per modellare la distribuzione a priori dello spazio delle soluzioni fisiche (conduttività) senza richiedere interpolazione su griglia.

2. Campionamento del Posteriore di Diffusione Regolarizzato (RDPS):
   Per affrontare la grave malposedness dell'EIT, dove i dati di misura da soli sono insufficienti per determinare univocamente la distribuzione di conduttività, gli autori introducono un termine di regolarizzazione esplicito $R(x)$ nel processo di campionamento.

   • Formulazione Bayesiana: Il metodo definisce un posteriore target guidato $\tilde{p}(x|y) \propto p(y|x)p(x)p_R(x)$, dove $p_R(x) \propto \exp(-\lambda R(x))$ agisce come un'ulteriore a priori.
   • Algoritmo di Campionamento: Il processo di diffusione inversa è modificato per includere un passo di guida basato sul gradiente. Ad ogni passo temporale, l'aggiornamento incorpora gradienti da tre fonti: l'a priori di diffusione appresa, la verosimiglianza dei dati (tramite l'operatore diretto $F$) e il regolarizzatore esplicito.
   • Regolarizzatori: Il framework supporta termini di regolarizzazione modulari, in particolare la Variazione Totale (TV) per preservare interfacce nette, Tikhonov generalizzato per la regolarità spaziale e Tikhonov standard.
   • Passo Adattivo: Viene impiegato un passo adattivo $\eta_t$ per normalizzare la correzione di guida in base al residuo corrente, garantendo stabilità durante la traiettoria di diffusione inversa, in particolare nei regimi ad alto rumore.

3. Guida Guidata dalla Fisica:
   L'operatore diretto $F$ (che modella il processo di misura EIT tramite il Modello Completo degli Elettrodi) è integrato direttamente nel ciclo di campionamento. L'algoritmo utilizza lo stimatore di Tweedie per approssimare il segnale pulito $\hat{x}_0(x_t)$ e calcola i gradienti del termine di fedeltà ai dati rispetto allo stato rumoroso $x_t$.

Contributi Chiave

1. Elaborazione Nativa delle Mesh: Lo sviluppo di un modello di diffusione incondizionato che opera direttamente su mesh triangolari 2D, eliminando la necessità di interpolazione tra mesh non strutturate e griglie regolari.
2. Framework RDPS: L'introduzione di una variante regolarizzata del DPS che combina a priori di diffusione implicite con regolarizzazione esplicita (TV, Tikhonov) per stabilizzare problemi inversi non lineari altamente malposti.
3. Validazione Completa: Estesi esperimenti su dataset EIT 2D sintetici e reali che dimostrano la robustezza del metodo al rumore, la sua capacità di generalizzare a geometrie fuori distribuzione e le sue prestazioni superiori rispetto alle baseline dello stato dell'arte.

Risultati Sperimentali
Gli autori hanno valutato il DDIM-RDPS proposto (utilizzando il campionatore deterministico DDIM) contro diverse baseline:

• Baseline: Gauss-Newton regolarizzato (RGN-TV), Randomize-Then-Optimize Metropolis-Hastings (RTO-MH), Plug-and-Play Generativo (GPnP-BM3D) e Campionamento del Posteriore Profondo (DP-SGS).
• Dataset: Dataset sintetici con varie forme di inclusioni (cerchi, triangoli, macchie, ferri di cavallo) e un dataset EIT 2D reale.
• Metriche di Prestazione: Errore Quadratico Medio (MSE), Errore Relativo L2 e Indice di Similarità Strutturale (SSIM).

Risultati:

• Accuratezza: RDPS ha costantemente superato tutte le baseline in termini di accuratezza di ricostruzione (RMSE/RelErr più bassi) e similarità strutturale (SSIM più alto). È stato particolarmente efficace nel preservare confini netti e forme geometriche (ad esempio, inclusioni triangolari) dove altri metodi producevano bordi sfocati o geometrie eccessivamente semplificate.
• Robustezza: Il metodo ha dimostrato alta robustezza sia al rumore gaussiano che laplaciano additivo. Una strategia di regolarizzazione adattiva ha permesso al modello di mantenere le prestazioni senza una costosa ottimizzazione dei parametri tramite ricerca su griglia.
• Generalizzazione: Il modello ha generalizzato bene a geometrie di inclusioni fuori distribuzione (ad esempio, addestramento su cerchi e test su ferri di cavallo) e ha ricostruito con successo distribuzioni di conduttività da dati sperimentali reali senza riaddestramento.
• Ablazione: Tra le scelte di regolarizzazione, la Variazione Totale (TV) ha prodotto i migliori risultati per l'EIT, allineandosi alla natura a tratti costanti delle inclusioni di conduttività.

Significato e Affermazioni
Il documento afferma che RDPS rappresenta un avanzamento significativo nella risoluzione di problemi inversi vincolati da PDE non lineari unificando il potere statistico dei modelli generativi con l'integrità fisica. Operando nativamente su mesh agli elementi finiti, il metodo evita le imprecisioni geometriche intrinseche negli approcci basati su griglia. L'integrazione della regolarizzazione esplicita nel processo di campionamento di diffusione mitiga efficacemente la grave malposedness dell'EIT, producendo ricostruzioni stabili e fisicamente plausibili fedeli alla fisica sottostante. Gli autori collocano questo lavoro come un ponte tra la modellazione generativa non supervisionata e l'inversione basata sulla fisica rigorosa, offrendo un framework flessibile che non richiede addestramento supervisionato specifico per il compito.