Bayesian imaging inverse problem with scattering transform

技術要約：スキャタリング変換を用いたベイズ画像逆問題

問題の定式化
本論文は、天文学や宇宙論におけるベイズ画像逆問題、特に単一の汚染された観測データ（$d_0$）のみが利用可能な「低データ・レジーム」における課題に取り組んでいる。核心となる困難は、既知であるがしばしば確率的または非可逆的なフォワードオペレーター（$F$）によって生成されたデータ $d_0 = F(s_0)$ から、基礎となる物理場（$s_0$）を復元することにある。

従来のベイズ的手法は、信号に関する物理的知識を符号化した事前分布 $p(s)$ を必要とする。しかし、複雑で非ガウス的な天体物理学的場（例：大規模構造、銀河塵）に対しては、物理的に動機付けられた事前分布を指定することは困難であり、データ駆動型の事前分布も学習データが乏しい場合には機能しない。著者らは、外部の事前分布に依存せず、非ガウス的で正則な場に焦点を当て、観測データ $d_0$ に対する事後分布 $p(s | d_0)$ を特徴付ける問題としてこれを定式化している。

手法
提案手法は、推論の目的を高次元のピクセル空間（$n \approx 10^5$）から、スキャタリング変換（Scattering Transform; ST）統計量の低次元多様体（$l \approx 10^2$）へと移行させるものである。

1. スキャタリング変換表現： 本手法は、方向性を持つスケール間の相互作用を捉えることで非ガウス過程を特徴付けるST統計量 $\phi(s)$ を利用する。これらの統計量は、ST統計量 $\mu_S$ によってパラメータ化された効率的な最大エントロピー生成モデル $p_{\mu_S}(s)$ を構築するために使用される。
2. 次元削減： 場の事後分布 $p(s | d_0)$ を直接推論する代わりに、著者らはST統計量のパラメータに対する事後分布 $p(\mu_S | \phi(d_0))$ を推論する。これにより、問題は観測データの統計量と一致する生成モデルを見つけることへと簡略化される。
3. 尤度近似： 生成モデルからのサンプリングを必要とするため、ST空間におけるフォワードオペレータ（パラメータ $\mu_S$ からデータ統計量 $\phi(d)$ への写像）を解析的に導出することは困難である。著者らは、テイラー展開を通じて導出されたガウス線形モデル $p(\phi(d) | \mu_S) \sim \mathcal{N}(A\mu_S + b | \Sigma)$ を用いて、この尤度を近似している。
4. 反復適応アルゴリズム： このガウス尤度および結果としての事後分布のパラメータ（$A, b, \Sigma$）を推定するために、逐次的推定アルゴリズムを提案している。
   • 初期化： ホワイトノイズの統計量と観測データの統計量との距離を最小化するようにホワイトノイズを最適化して得られた参照マップ $\tilde{s}$ のST統計量を中心とする、狭いガウス型提案分布 $q_0(\mu_S)$ を用いる。
   • 逐次的精緻化： 提案分布は、前ステップの提案分布と推定された尤度を組み合わせることで反復的に更新される。同一の観測に対して繰り返し条件付けを行うことによる人工的な過信を防ぐため、共分散は各ステップで係数2でスケーリングされる。
   • 収束： 提案分布が固定点に収束したときにプロセスは停止する。この固定点は、一様事前分布および線形ガウス尤度における事後分布と一致する。

主な貢献

• 新規な推論フレームワーク： ピクセル空間ではなくスキャタリング変換統計量の空間で推論を行う新しいベイズフレームワークを導入しており、外部の事前分布なしに非ガウス場に対する扱いやすい解を実現している。
• 適応アルゴリズム： 線形ガウス尤度近似を用いて生成モデルのパラメータの事後分布を近似する特定の反復アルゴリズムを提案しており、高次元空間におけるニューラル密度推定器の学習に伴う計算コストを回避している。
• 単一画像再構成： 本手法は、単一の観測データのみで動作するように設計されており、ディープラーニングの手法で通常必要とされる大規模な学習データセットを必要としない。

結果
本手法は、Quijote宇宙論シミュレーションの柱密度場（大規模構造）と、ホワイトガウスノイズおよびランダムな楕円マスクからなる模擬的なインストゥルメンタル・フォワードオペレータを用いて検証された。

• 統計的推論： 推定されたST統計量の事後分布サンプルは、真の基礎場 $s_0$ の統計的性質（パワースペクトルおよび一点確率密度関数）を正確に再現した。
• 決定論的再構成： 推論された生成モデルからサンプリングすることにより、フォワードオペレータを通した際に観測と視覚的に区別がつかないマップを生成した。生成された場自体は大規模構造（LSS）マップと整合しており、変動は主にノイズが支配的な最小スケールで見られた。
• 外部事前分布の不在： 再構成は、対象となる場に対する外部の事前分布に頼ることなく、STベースの生成モデル構造のみを用いて達成された。

意義と主張
本論文は、スキャタリング変換統計量が、困難な低データ・レジームにおける複雑な画像逆問題を解決するための効果的な表現を提供することを主張している。このアプローチは、以下の条件下においても、正確な統計的推論と決定論的な信号再構成が可能であることを示している：

1. 汚染された画像が1枚しか存在しない場合。
2. 物理的に動機付けられた事前分布や現実的な学習データセットが存在しない場合。

著者らは、本研究が、現在ほとんど、あるいは全く事前モデリングがなされていない非ガウス的な天体物理学的および宇宙論的信号への新しい応用への道を開くものであると述べており、テストされた特定の大規模構造の例を超えた汎用的なソリューションを提供している。