Two-Component Covariance-Aware Uncertainty Calibration for Demosaiced One-Shot-Color Aperture Photometry

技術要約：デモザイク処理されたワンショットカラー・アパーチャ測光のための、2成分共分散考慮型不確実性校正

問題提起
Bayerカラーフィルター配列（CFA）を備えたカメラによって生成されるような、ワンショットカラー（OSC）イメージングにおいて、デモザイク処理（サブサンプリングされた生データからフル解像度のカラープレーンを再構成するプロセス）は、空間的な共分散を導入する。複数の出力ピクセルが同じ生のセンサーサンプルを共有する場合、それらのノイズは相関を持つ。従来のアパーチャ測光の不確かさ予算は、多くの場合、対角分散の仮定（ピクセルを独立したものとして扱う）に依存しており、これが測定の不確かさを大幅に過小評価することにつながる。この過小評価により、公称の95%信頼区間が、繰り返し測定における期待される被覆確率を達成できなくなる。ノイズ伝播の理論的根拠は存在するものの、実用的なツールにおいては、画像サイズの巨大な共分散行列を形成することなく、これらの相関を考慮するための効率的な手法が不足している。

手法
著者らは、再構成による共分散と残留的なフィールドレベルの変動の両方に対処するために設計された、2成分からなる不確かさ予算を提案している。その手法は以下のステップで構成される。

1. 随伴共分散伝播（第1成分）：

   • 完全な画像共分散行列を再構成する代わりに、この手法は随伴アプローチを用いる。線形デモザイク演算子 $H$ とアパーチャ重み $w$ に対して、フラックス測定への生サンプルの寄与は、随伴ベクトル $q = H^T w$ を用いて生空間へとマッピングされる。
   • 正確な分散は $v_{full} = q^T \Sigma_x q$ として計算される。ここで $\Sigma_x$ は生サンプルの対角分散行列である。このアプローチは線形計算コスト $O(N_{raw})$ を維持し、画像サイズの行列を形成することを回避する。
   • この成分は、単一チャンネル内（例：Green）の空間共分散を扱い、また、Malvar–He–Cutler（MHC）のような特定のデモザイクアルゴリズムにおいては、生サンプルが複数のチャンネル間で再利用される場合のクロスチャンネル間の共分散（例：RedとGreenの間）も考慮することができる。

2. 残留フィールド係数（第2成分）：

   • 正確な伝播がすべての変動源（例：大気の影響、レジストレーション誤差、またはキャリブレーションのドリフト）を捉えきれない可能性を認識し、著者らは経験的なスケーリング係数 $s_8$ を導入している。
   • この係数は、主要なアパーチャ半径（8ピクセル）において、「ネイティブ」な測定（フルデモザイクを行わない生のCFAサブラティスを使用）を用いて推定される。これは、観測された隣接フレーム間のフラックス差とその予測分散の比から1を引いたものとして計算される：$s_8 = \max(0, R_8 - 1)$。
   • 全体の分散予算は次のようにスケーリングされる：$v_{total} = v_{full}(1 + s_8)$。この係数は、異なるデモザイク経路（バイリニア vs MHC）および同一フィールド内の異なるアパーチャ半径（6、8、および10ピクセル）に対して適用される。

実験プロトコル
本研究では、以下のデータセットを用いて手法を評価した：

• M67データセット： MILAN Sky Survey（Sony IMX178センサー）による114枚の生BGGR FITS露光。レジストレーション失敗を除外した後、評価のために38組の隣接フレームペアを保持した。
• M45データセット： 同一のインストゥルメントファミリーからの第2のフィールドであり、転移可能性をテストするために使用。
• Canon 90Dデータセット： 異なるカメラファミリー（APS-C Bayer）であり、クロスカメラでの適用性をテストするために使用。
• M20シミュレーション： 伝播計算を大気やトラッキング誤差から分離するために、既知の生ノイズ入力を用いた制御された条件付きシミュレーション。
• 指標： 主要な指標は、公称95%区間の被覆確率と、標準化残差の標準偏差（$s_z$）である。校正ゲートは、被覆率0.92–0.98、および $s_z$ 0.90–1.10 に設定された。

主な結果

• シミュレーション (M20)： 完全な伝播予算は、公称に近い被覆率（0.953）と単位分散（0.99）を達成したが、対角予算は大きく失敗した（バイリニアでは被覆率が0.55まで低下）。
• M67 (主要フィールド)：
  • バイリニア・デモザイク： 完全な伝播により、被覆率は0.6417（対角）から0.9534へ上昇し、分散は2.5310から0.9570へと減少した。
  • MHCデモザイク： 被覆率は0.8790から0.9545へ改善し、分散は1.4812から0.9682へと低下した。
  • 半径8におけるフィールド係数 $s_8$ はM67において実質的にゼロであり、これは随伴伝播のみで十分であったことを示している。
• M45およびCanon (外部検証)：
  • これらのフィールドでは、完全な伝播のみでは分散の基準を満たすことができなかった（残差が高止まりした）。
  • 半径8でのネイティブ測定から導出されたフィールド係数を適用することで、半径6および10におけるバイリニアおよびMHCの両方の経路を、校正ゲート内に収めることに成功した（例：Canon 90Dの被覆率は $s_z \approx 0.97$ で約0.95に達した）。
• クロスチャンネル分析： R/G比のエンドポイントにおいて、クロスチャンネルの共分散項（MHCに特有）を追加しても、支配的な空間共分散項と比較して、分散への影響は無視できる程度であった（<1.2%の変化）。

意義と主張
本論文は、デモザイクプロセスによって導入される誤差と、残留的なフィールドレベルの変動を区別する、効率的で共分散を考慮した不確かさ予算を提供することを主張している。

• 効率性： 随伴重みを用いることで、画像サイズの共分散行列という計算負荷を負うことなく、共分散を正確に伝播させる。
• 校正： この2成分アプローチにより、「再構成による補正」（随伴伝播によって処理）と「フィールドレベルの変動」（経験的係数によって処理）を分離することが可能になる。
• 実用性： 研究は、公称の被覆率を回復するためには正確な伝播が必要であるが、完全な校正を実現するためには経験的なフィールド係数が必要となる場合があることを示している。結果は、同一フィールド内であれば、単一のフィールド係数を主要な半径から他の半径やデモザイク経路へと効果的に転移できることを示唆している。

著者らは、フィールド係数がデータに適合（フィット）されており、予測的な校正を評価するには独立したデータが必要であることを指摘し、その範囲について慎重な姿勢を保っている。本研究は、絶対的な測光精度ではなく、固定された線形デモザイク下での孤立した光源の相対フラックスの再現性に焦点を当てている。