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

技術的概要：非線形逆問題に対する拡散グラフ事後サンプリングと電気インピーダンス断層撮影への応用

問題定義
画像処理における逆問題、特に電気インピーダンス断層撮影（EIT）のような偏微分方程式（PDE）に支配されるものは、深刻な不適切性と非線形性を特徴としています。従来の変分法は、手作りの正則化に依存しており、現実世界のデータ分布の複雑で高次元な特徴を捉えることがしばしば失敗します。一方、データ駆動型の深層学習アプローチは、「幻覚」（物理的に誤っているが視覚的に妥当な出力）を導入するリスクがあり、通常は特定のタスクに対する教師あり学習を必要とします。

EIT における構造的な重要な課題は、物理領域が規則的なグリッドではなく、非構造化された三角形メッシュ（有限要素メッシュ）を用いて自然に離散化されることです。ピクセルグリッド向けに設計された標準的な畳み込みアーキテクチャは、この設定では最適ではありません。有限要素量を規則的なグリッドに補間することは、幾何学的な不正確さと、前方 PDE ソルバーと矛盾するアーティファクトを導入します。拡散事後サンプリング（DPS）は逆問題に対して有望な結果を示していますが、既存のフレームワークは主にグリッドベースであり、非構造化メッシュデータに対するネイティブなアプローチを欠いています。

手法
著者は、**正則化拡散事後サンプリング（RDPS）**と呼ばれる新しいフレームワークを提案しており、これは DPS を拡張して、グラフ構造データ（非構造化メッシュ）上でネイティブに動作するようにしたものです。この手法は、以下の 3 つの中核的コンポーネントから構成されます。

1. グラフベースの無条件スコアネットワーク:
   畳み込みニューラルネットワーク（CNN）の代わりに、著者は階層的な U-Net アーキテクチャに基づくマルチスケールグラフニューラルネットワーク（DGN$\theta$）を採用します。このネットワークは、領域離散化に使用される 2 次元三角形有限要素メッシュ上で直接訓練されます。このネットワークは、グリッド補間を必要とせずに、物理的解空間（導電率）の事前分布をモデル化するための無条件スコア関数 $\nabla_{x_t} \log p_t(x_t)$ を学習します。

2. 正則化拡散事後サンプリング（RDPS）:
   EIT の深刻な不適切性、すなわち測定データだけでは導電率分布を一意に決定するのに不十分であるという課題に対処するため、著者はサンプリングプロセスに明示的な正則化項 $R(x)$ を導入します。

   • ベイズ定式化: この手法は、ガイド付きの目標事後分布 $\tilde{p}(x|y) \propto p(y|x)p(x)p_R(x)$ を定義します。ここで、$p_R(x) \propto \exp(-\lambda R(x))$ は追加の事前分布として機能します。
   • サンプリングアルゴリズム: 逆拡散プロセスは、勾配ベースのガイドステップを含むように修正されます。各タイムステップにおいて、更新には 3 つのソースからの勾配が組み込まれます。学習された拡散事前分布、データ尤度（前方演算子 $F$ 経由）、および明示的正則化項です。
   • 正則化項: このフレームワークは、モジュール化された正則化項をサポートします。具体的には、鮮明な界面を保持するための全変動（TV）、空間的な滑らかさのための一般化ティコノフ、および標準的なティコノフです。
   • 適応的ステップサイズ: 現在の残差に基づいてガイド補正を正規化し、特に高ノイズ領域における逆拡散軌跡中の安定性を確保するため、適応的ステップサイズ $\eta_t$ が採用されます。

3. 物理駆動型ガイド:
   前方演算子 $F$（完全電極モデルを介して EIT 測定プロセスをモデル化するもの）は、サンプリングループに直接統合されます。アルゴリズムは、Tweedie 推定量を使用してクリーンな信号 $\hat{x}_0(x_t)$ を近似し、ノイズ状態 $x_t$ に対するデータ忠実度項の勾配を計算します。

主要な貢献

1. ネイティブなメッシュ処理: 非構造化メッシュと規則的なグリッド間の補間を不要にする、2 次元三角形メッシュ上で直接動作する無条件拡散モデルの開発。
2. RDPS フレームワーク: 暗黙的な拡散事前分布と明示的な正則化（TV、ティコノフ）を組み合わせ、高度に不適切な非線形逆問題を安定化させる DPS の正則化バリアントの導入。
3. 包括的な検証: ノイズに対する頑健性、分布外幾何形状への一般化能力、および最先端のベースラインとの比較における優れた性能を実証する、合成データおよび実世界の 2 次元 EIT データセットにおける広範な実験。

実験結果
著者は、提案するDDIM-RDPS（決定論的 DDIM サンプリャを使用）を、いくつかのベースラインに対して評価しました。

• ベースライン: 正則化ガウス・ニュートン法（RGN-TV）、ランダム化後最適化メトロポリス・ヘイスティングス（RTO-MH）、生成プラグ・アンド・プレイ（GPnP-BM3D）、および深層事後サンプリング（DP-SGS）。
• データセット: さまざまな内包形状（円、三角形、ブロッブ、馬蹄形）を持つ合成データセットと、実世界の 2 次元 EIT データセット。
• 性能指標: 平均二乗誤差（MSE）、相対 L2 誤差、および構造的類似性指標（SSIM）。

知見:

• 精度: RDPS は、再構成精度（低い RMSE/RelErr）と構造的類似性（高い SSIM）において、すべてのベースラインを一貫して上回りました。特に、他の手法がぼやけたエッジや単純化された幾何形状を生み出す場所で、鮮明な境界や幾何形状（例：三角形の内包）を保持する点で非常に効果的でした。
• 頑健性: この手法は、加法性ガウスノイズとラプラスノイズの両方に対して高い頑健性を示しました。適応的正則化戦略により、計算コストの高いグリッドサーチパラメータ調整なしに性能を維持できました。
• 一般化: このモデルは、分布外の内包幾何形状（例：円で訓練し、馬蹄形でテスト）に対して良好に一般化し、再訓練なしに実実験データからの導電率分布を正常に再構成しました。
• アブレーション: 正則化の選択肢の中で、全変動（TV）は、導電率内包の区分的定数性質と一致し、EIT に対して最良の結果をもたらしました。

意義と主張
本論文は、RDPS が、生成モデルの統計的力と物理的整合性を統合することで、非線形 PDE 制約逆問題の解決において重要な進歩を表すと主張しています。有限要素メッシュ上でネイティブに動作することで、この手法はグリッドベースのアプローチに内在する幾何学的な不正確さを回避します。拡散サンプリングプロセス内への明示的正則化の統合は、EIT の深刻な不適切性を効果的に緩和し、基礎となる物理に忠実な、安定した物理的に妥当な再構成を生み出します。著者は、この作業を教師なし生成モデルと厳密な物理ベースの反転の間の架け橋として位置づけ、タスク固有の教師あり学習を必要としない柔軟なフレームワークを提供しています。