Marginal multi-object multi-frame blind deconvolution

기술 요약: 한계 다중 객체 다중 프레임 블라인드 디컨볼루션

문제 제기
고해상도 지상 기반 태양 이미징은 근본적으로 대기 난류에 의해 제한받으며, 이는 굴절률 변동을 유발하여 화질을 저하시킵니다. 적응 광학 (AO) 시스템은 부분적인 보정을 제공하지만, 잔류 파면 오차가 남아 있어 이론적인 회절 한계에 근접하기 위해 사후 이미지 복원이 필요합니다. 전통적인 복원 방법, 특히 다중 객체 다중 프레임 블라인드 디컨볼루션 (MOMFBD) 은 결합 최대 가능도 (ML) 추정에 의존합니다. 이 프레임워크에서 태양 객체와 대기 왜곡은 관측된 데이터의 가능도를 최대화함으로써 동시에 추정됩니다.

그러나 결합 ML 접근법은 특히 낮은 신호 대 잡음비 (SNR) 영역에서 상당한 도전에 직면합니다. 객체와 파면에 대한 결합 점 추정을 추구하기 때문에, 문제는 종종 잘 정의되지 않은 (ill-posed) 상태가 됩니다. 잡음이 존재할 경우, 알고리즘은 과적합 경향을 보이며 잡음 전력을 고차 왜곡에 잘못 할당합니다. 이로 인해 아티잔 (artisanal) 푸리에 필터링과 정규화 매개변수의 정교한 조정이 필요합니다. 또한, 재구성의 대비는 객체 사전의 전력 스펙트럼 밀도 (PSD) 를 결정하는 하이퍼파라미터에 매우 민감하여, 시간이 많이 소요되고 표준화가 어려운 전문가 수동 조정이 필요합니다.

방법론
본 논문은 결합 점 추정에서 한계 최대 사후 확률 (MMAP) 프레임워크로의 전환을 제안합니다. 객체와 왜곡을 동시에 해결하는 대신, 객체를 '귀찮은 매개변수 (nuisance parameters)'로 취급합니다. 객체에 대한 적절한 베이지안 사전 분포를 정의하고 이를 마진화 (적분) 함으로써, 이 방법은 오직 왜곡에 대한 사후 확률만을 분리해 냅니다.

수학적 공식화는 다음과 같습니다:

1. 모델 설정: 관측 모델은 $L$개의 다양성 채널을 가진 $K$개의 공공간 (co-spatial) 객체에 대한 $J$개의 짧은 노출 프레임을 가정합니다. 관측된 이미지는 순간 난류를 나타내는 점 확산 함수 (PSF) 와 실제 객체의 컨볼루션에 가산 잡음을 더한 것으로 모델링됩니다.
2. 베이지안 공식화: 미지수 (객체 $o$ 및 PSF $H$) 의 사후 분포가 정의됩니다. 객체에 대한 가우시안 사전 분포와 가우시안 잡음을 가정하면, 결합 사후 분포는 두 가우시안의 곱으로 분해됩니다.
3. 마진화: 결합 추정에서 수행되듯이 객체의 최대 사후 확률 (MAP) 추정을 찾아 가능도에 대입하는 대신, 객체를 적분하여 제거합니다. 이는 오직 PSF 와 하이퍼파라미터에만 의존하는 마진화된 가능도 함수를 산출합니다.
4. 구현: 음의 로그 마진 가능도가 유도됩니다. 푸리에 영역에서 우드버리 행렬 항등식과 셔먼 - 모리슨 공식을 활용하면 계산이 효율적으로 수행됩니다. 결과적으로 도출된 merit 함수는 표준 결합 추정기와 거의 동일하지만, 추가적인 로그-행렬식 항을 포함합니다.
5. 최적화: 이 방법은 자동 미분 (PyTorch) 을 사용하는 Adam 최적화기를 활용합니다. 지역 최소값을 피하기 위해 파면 확장 모드를 점진적으로 증가시키는 스케줄링 접근법이 사용됩니다. 결정적으로, 객체 사전의 PSD 와 잡음 분산을 제어하는 하이퍼파라미터는 초기 반복 동안 파면 계수와 함께 직접 최적화된 후, 발산을 방지하기 위해 고정됩니다.

주요 기여

• 강화된 정규화: 마진화 과정은 자연스럽게 객체 불확실성을 고려합니다. 이는 재구성 알고리즘이 잡음 전력을 고차 왜곡에 할당하는 것을 방지하며, 이는 결합 추정에서 일반적인 실패 모드입니다.
• 강건한 대비 제어: 마진 추정기는 객체의 PSD 를 지배하는 하이퍼파라미터에 대해 결합 추정기보다 훨씬 덜 민감합니다. 이는 이러한 하이퍼파라미터를 직접 최적화할 수 있게 하여, 전문가의 수동 조정이 필요 없는 "플러그 앤 플레이" 배포를 가능하게 합니다.
• 최소한의 구현 오버헤드: 이 방법은 전통적인 merit 함수에 로그 - 행렬식 항을 추가하기만 하면 됩니다. 오픈 소스 torchmfbd 패키지에 완전히 통합되어 기존 블라인드 디컨볼루션 파이프라인에 최소한의 수정만 요구합니다.
• 자동 모드 선택: 마진 손실 함수의 동작은 파면 모드의 최적 수를 자동으로 선택할 수 있게 합니다. 손실 함수는 데이터 적합과 정규화 사이의 균형을 이루는 명확한 최소값을 보이는 반면, 결합 손실 함수는 모드가 증가함에 따라 단조 감소하여 최적의 중단점을 제시하지 못합니다.

결과
제안된 방법은 활성 영역과 조용한 태양 관측을 모두 포함하는 CRISP 장비 (SST) 와 HiFI 장비 (GREGOR) 의 데이터를 사용하여 검증되었습니다.

• 대비 안정성: 결합 추정에서 재구성의 대비는 PSD 하이퍼파라미터 ($\kappa$) 에 매우 민감합니다. 작은 값은 흐릿한 이미지를 초래하는 반면, 큰 값은 인위적인 대비 향상과 아티팩트를 유발합니다. 마진 추정기는 조정 없이 안정적이고 현실적인 대비를 생성합니다.
• 프레임 수 독립성: 버스트 내 프레임 수 ($M$) 를 변경할 때, 결합 추정기는 아티팩트나 흐림을 피하기 위해 PSD 매개변수를 신중하게 조정해야 합니다. 마진 추정기는 서로 다른 프레임 수 (예: $M=2$에서 $M=50$까지) 에 걸쳐 적절한 대비와 시각적 품질을 가진 재구성을 자동으로 생성합니다.
• 모드 수 최적화: 합성 데이터 실험은 마진 손실 함수가 최적의 KL 모드 수에 해당하는 명확한 최소값을 가짐을 보여주었습니다 (예: $r_0=10$ cm 인 경우 60~80 개 모드). 반면, 결합 손실 함수는 모드가 증가함에 따라 단조 감소하여 최적의 중단점을 나타내지 못합니다.
• 시각적 품질: 마진 추정기를 사용한 재구성은 고주파 아티팩트를 도입하지 않으면서 표준 MOMFBD 및 결합 추정기에 비해 약간 더 명확한 구조와 더 높은 대비를 보여주었으며, 특히 페넘브라 영역에서 두드러졌습니다.

의의
본 논문은 마진 추정기가 태양 이미징에서 전통적인 결합 최대 가능도 추정의 고유한 한계를 해결한다고 주장합니다. 고주파 잡음과 하이퍼파라미터 선택에 덜 민감한 안정적인 재구성을 제공함으로써, 이 방법은 더 자동화되고 강건한 워크플로우를 가능하게 합니다. 하이퍼파라미터를 최적화하고 모드 수를 데이터에서 직접 선택할 수 있는 능력은 전문가의 개입에 대한 의존도를 줄여, 고품질 태양 이미지 복원을 광범위한 태양 물리학 커뮤니티가 더 쉽게 접근할 수 있게 합니다. torchmfbd 에의 통합은 일상적인 데이터 처리를 위한 즉시 사용 가능성을 보장합니다.