技術概要：精度を超えて：拡散逆ソルバの事後分布忠実度の評価

問題提起

医療画像、地球物理学、天文学などの科学および工学分野における逆問題は本質的に不適切であり、測定ノイズや不完全なデータにより、複数の物理的に妥当な解が得られることがよくあります。拡散逆ソルバ（DIS）は、事前学習済み拡散事前分布を活用してこれらの問題を解決する強力なパラダイムとして登場しましたが、現在の評価ベンチマークには重大な限界があります。それは、再構成精度（例えば PSNR、SSIM）にほぼ独占的に焦点を当てている点です。

この焦点は「精度の罠」を生み出します。ここでいう精度の罠とは、手法が点ごとの再構成品質のみで評価される状態を指します。しかし、確率的な DIS 手法は、不確実性を定量化するために事後分布 $p(x|y)$ からサンプリングするように設計されています。ある手法が、真の値に近い単一の決定論的なような出力を生成することで高い精度を達成しても、真の分布の挙動（例えば、モードの欠落、分散の崩壊、または事後分布外のサンプリングの生成）を捉えられない可能性があります。ワッサーシュタイン距離や FID などの分布忠実度に関する既存の指標は、真の事後分布のサンプルまたは密度へのアクセスを必要としますが、これらは現実世界の科学応用では利用できません。その結果、DIS 手法が真にターゲットとなる事後分布を回復しているかどうかを評価するための、頑健かつ真の値を必要としない指標が存在していません。

手法

1. 事後分布忠実度の体系的な研究

著者らは、既知の解析的な真の事後分布を持つ合成逆問題を用いた制御された研究を実施しました。事後分布のサンプルを可視化し、真の分布と比較することで、再構成精度が同程度であっても、異なる DIS 手法がモード崩壊や弱いモードのcoverage不足など、質的に異なる挙動を示すことを実証しました。これにより、精度を超えた分布挙動の評価の必要性が確立されました。

2. スコアベースカーネル・シュタイン不一致（Score-KSD）

現実世界の設定における真のサンプルの欠如に対処するため、本論文は、真の事後分布の密度やサンプルへのアクセスを必要とせずに事後分布の一貫性を評価する、理論的に裏付けられた指標であるScore-KSDを提案します。

• 事後分布スコアの近似: この手法は、ベイズの定理による事後分布スコア $\nabla_x \log p(x|y)$ の分解に依存します。
  $$\nabla_x \log p(x|y) = \nabla_x \log p(y|x) + \nabla_x \log p(x)$$

  • 尤度スコア: ガウスノイズの場合、尤度スコア $\nabla_x \log p(y|x)$ は、前方演算子 $A$ と測定値 $y$ を用いて解析的に計算可能です。
  • 事前分布スコア: 事前分布スコア $\nabla_x \log p(x)$ は、事前学習済み拡散モデルを用いて近似されます。クリーンな画像 $x$ に小さなノイズを加え、拡散スコアネットワーク $s_\theta$ にクエリを送ることで、著者らは事前分布スコアを近似します。
  • 結合スコア: 尤度スコアと近似された事前分布スコアの和により、推定された事後分布スコア場 $\hat{s}_p(x; y)$ が得られます。

• カーネル・シュタイン不一致（KSD）: 推定されたスコア場を用いて、著者らは KSD を適用し、DIS 手法によって生成されたサンプルの分布 ($\hat{q}_N$) とターゲット事後分布 $p(x|y)$ の間の不一致を測定します。KSD は、再生核ヒルベルト空間（RKHS）におけるシュタインの恒等式 $\mathbb{E}[T_p f(X)] = 0$ の最大違反を測定します。

  • 二乗 KSD は、生成されたサンプルとカーネル関数に基づいた閉形式の経験的推定量を許容します。
  • データの次元を考慮し、タスク内比較を可能にする正規化版として、score-KSDが提案されます。低い score-KSD は、ターゲット事後分布スコア場との高い一貫性を示します。

主要な貢献

1. 「精度の罠」の特定: 本論文は、高い再構成精度が必ずしも高い事後分布忠実度を保証しないことを体系的に実証しています。異なる DIS 手法は、類似した PSNR スコアを生成しながらも、決定論的な崩壊対よく分散されたサンプリングなど、全く異なる不確実性の挙動を示す可能性があります。
2. Score-KSD の提案: 著者らは、事後分布の一貫性を評価するための真の値を必要としない指標を導入しました。以前の分布指標とは異なり、Score-KSD は前方モデル、ノイズレベル、および事前学習済み拡散事前分布のみを必要とするため、真の事後分布が未知の現実世界の逆問題に適用可能です。
3. 包括的な評価: 本研究は、Score-KSD を以下の方法で検証しました。
   • 制御シミュレーション: 視覚的な事後分布忠実度および真の解析的スコアに対する Score-KSD の順位を比較。
   • 現実世界のタスク: 線形逆散乱、アンダーサンプリング MRI 再構成、およびスパースビュー CT 再構成（分布内および分布外）への指標の適用。

結果

• シミュレーション研究: 既知の事後分布を持つ合成環境において、Score-KSD は、弱いモードを含む完全な事後分布幾何学を回復する手法と、モード崩壊に苦しむ手法を成功裏に区別しました。高い精度を持つが分布のカバレッジが劣る手法（例えば、単一実行設定における RED-Diff、FPS）は、事後分布の一貫性がより良い手法（例えば、MCG-Diff、DiffPIR）に比べて、有意に高い Score-KSD 値を示しました。
• 現実世界の実験:
  • Score-KSD は、DIS 手法と自明なベースライン（無条件事前分布、純粋なノイズ）を効果的に区別しました。
  • この指標は、類似した PSNR スコアを持つ手法がしばしば異なる Score-KSD 値を持つことを明らかにし、確率的ソルバの評価には精度のみでは不十分であることを確認しました。
  • 分布外（OOD）設定（例えば、LIDC-IDRI で事前学習された事前分布を用いて肺 CT を再構成する場合）において、Score-KSD 値は増加し、事前分布の不一致に起因する事後分布の一貫性の低下を正しく示しました。
  • この指標は、同一タスク内の異なるテスト画像間で安定性を示し、頑健な診断ツールとしての使用を支持しました。

意義と主張

本論文は、リスクに敏感な科学応用において DIS 手法を配備するにあたり、頑健な不確実性定量化が前提条件であると主張しています。この研究の主な意義は、評価パラダイムを点ごとの精度から分布忠実度へと転換することにあります。

著者らは、Score-KSD が以下の点で意味のある、理論的に裏付けられた診断を提供すると主張しています。

1. 隠れた挙動の解明: 精度指標が見逃す分布上の失敗（モード崩壊など）を明らかにします。
2. 真の値不要な評価の実現: 解析的な事後分布が利用できない現実世界のシナリオにおいて、事後分布の一貫性を評価することを可能にします。
3. 「精度の罠」の強調: PSNR の最適化が必ずしもより良い不確実性定量化につながらないことを示し、コミュニティに対して分布を考慮した評価基準の採用を促します。

著者らは、Score-KSD はタスク内の診断ツールであり（事後分布の鋭さや次元の異なるため、異なる逆問題間での値は直接比較できない）、その精度はノイズスケール $\sigma_y$ の正確な推定に依存することを控えめに指摘しています。彼らは、このノイズ推定の感度を今後の研究の方向性として特定しています。