Radio-Interferometric Image Reconstruction with Denoising Diffusion Restoration Models

Titel: Radio-Interferometrische Beeldreconstructie met Denoising Diffusion Restoration Models (DDRM)

Auteurs: M. Morales, E. Tolley, R. Poitevineau (EPFL, Zwitserland)
Publicatie: RASTI 000, 1–10 (2026)

1. Het Probleem

In de radioastronomie is het reconstrueren van afbeeldingen van de radiohemel vanuit onvolledige Fourier-informatie (zichtbaarheden) een fundamenteel en moeilijk probleem. Radio-interferometers hebben een schaarse opstelling, wat leidt tot een onvolledige bemonstering in de Fourier-ruimte (u,v-ruimte). Dit maakt het beeldvormingsproces een slecht gesteld inverse probleem.

Traditionele methoden, zoals het CLEAN-algoritme (en varianten zoals Multi-scale CLEAN), zijn decennialang de standaard geweest. Deze methoden zijn echter beperkt:

• Ze zijn afhankelijk van door de gebruiker gedefinieerde parameters.
• Ze bieden geen kwantificering van onzekerheid.
• Ze worstelen met complexe emissies die moeilijk te modelleren zijn met discrete componenten.
• Ze leiden vaak tot artefacten van de "vuile straal" (dirty beam).

Bestaande machine learning-benaderingen zijn vaak specifiek getraind op een bepaalde antenne-configuratie, waardoor ze niet direct toepasbaar zijn op andere telescopen of observatieconfiguraties zonder hertraining.

2. Methodologie

De auteurs presenteren een nieuwe, datagedreven aanpak die de fysica van het meetproces integreert zonder afhankelijk te zijn van een specifieke telescoop-configuratie. De methode bestaat uit twee hoofdfasen:

A. Training van een DDPM (Denoising Diffusion Probabilistic Model)

• Doel: Een "prior" (voorafgaande kennis) leren over de morfologie van radiogalaxieën.
• Data: Het model is getraind op een dataset van radiogalaxieën afkomstig van de VLA FIRST-survey en de Radio Galaxy Zoo DR1. De afbeeldingen zijn 150x150 pixels en genormaliseerd.
• Architectuur: Een U-Net met ResNet-blokken en FiLM-lagen (Feature-wise Linear Modulation). Het netwerk heeft 40 miljoen parameters.
• Proces: Het DDPM leert de verdeling van de radiohemel door een proces van het geleidelijk toevoegen en vervolgens verwijderen van ruis (diffusie en denoising).

B. Beeldreconstructie met DDRM (Denoising Diffusion Restoration Models)

• Concept: In plaats van het DDPM te gebruiken voor generatie, gebruiken ze het als een prior binnen een DDRM-raamwerk (Kawar et al., 2022). Dit is een onbewaakte methode voor posterior-sampling.
• Fysica: Het meetproces wordt gemodelleerd als een lineair systeem: $y = Hx + z$, waarbij $y$ de waarnemingen (zichtbaarheden) zijn, $x$ de ware hemel, $H$ de transformatie-operator (sampling matrix $S$ maal Fourier-transformatie $F$), en $z$ ruis.
• SVD-gebaseerde sampling: De methode gebruikt de Singuliere Waarde Decompositie (SVD) van de operator $H$. Afhankelijk van de singulariteiten van $H$ wordt de reconstructie geleid door:
  1. Alleen de prior (als er geen informatie is uit de meting).
  2. Een combinatie van prior en meting (bij onzekere metingen).
  3. Voornamelijk de meting (bij zeer betrouwbare metingen).
• Voordeel: De methode is agnostisch ten opzichte van de antenne-configuratie omdat de fysica van de meting expliciet in het sampling-proces wordt verwerkt, in plaats van in het getrainde model.

3. Belangrijkste Bijdragen

1. Configuratie-onafhankelijkheid: De methode vereist geen hertraining voor verschillende telescopen (VLA, EHT, ALMA) of observatie-instellingen.
2. Integratie van Fysica: Het combineert de kracht van deep learning (voor complexe morfologie) met de strikte fysica van de interferometrische meting.
3. Superieure Kwaliteit: De methode overtreft traditionele methoden (CLEAN, MS-CLEAN, MORESANE/CS) aanzienlijk in beeldkwaliteit, met name bij het verminderen van artefacten.
4. Onzekerheidskwalificatie (potentieel): Hoewel de huidige implementatie nog niet perfect gekalibreerd is, biedt de generatieve aard van DDPMs de mogelijkheid om een reeks mogelijke reconstructies te genereren, wat inzicht geeft in de onzekerheid.

4. Resultaten

De auteurs evalueerden hun methode op gesimuleerde data van de VLA, EHT en ALMA, en vergeleken deze met CLEAN, Multi-scale CLEAN en IUWT Compressed Sensing.

• Beeldkwaliteit: DDRM produceert afbeeldingen met een zeer hoge fideliteit en vrij van dirty-beam artefacten.
• Foutmetingen:
  • MSE (Mean Squared Error): DDRM presteert minimaal 2 ordes van grootte beter (lagere MSE) dan CLEAN en CS-methoden, zelfs bij hoge ruisniveaus ($\sigma_y = 0.1$).
  • Sampling-stappen: Zelfs met slechts 10 sampling-stappen levert DDRM al een uitstekende MSE op (binnen 0.44s), hoewel 1000 stappen de beste kwaliteit geven.
• Robuustheid: De methode werkt goed zelfs wanneer de ruisparameter ($\sigma_y$) verkeerd wordt ingeschat (bijv. ingesteld op 0 terwijl er ruis aanwezig is).
• Out-of-Domain Test: Bij toepassing op de radiogalaxie 3C535 (niet in de trainingsdata, met een groter dynamisch bereik en diffuse structuren), presteerde DDRM beter dan MS-CLEAN en vergelijkbaar met IUWT CS, vooral in het reconstrueren van zwakke, diffuse componenten.
• Onzekerheid: De standaarddeviatie van meerdere reconstructies toont aan waar het model twijfelt (bijv. bij zeer zwakke bronnen), maar de huidige SRE-metris (Standardised Reconstruction Error) suggereert dat het model soms te zelfverzekerd is (overconfident) en de fouten onderschat.

5. Betekenis en Conclusie

Dit werk markeert een verschuiving in radio-interferometrische beeldvorming van handgemaakte regularisatie (zoals sparsiteit) naar datagedreven priors via diffusiemodellen.

• Impact: Het biedt een krachtig alternatief voor CLEAN dat minder afhankelijk is van gebruikersinput en complexere bronstructuren beter kan modelleren.
• Toekomstperspectief: Hoewel de huidige implementatie beperkt is tot 150x150 pixels en vereenvoudigde meetmodellen (zonder $W$- en $A$-termen), is de methode schaalbaar. Toekomstig werk kan zich richten op het kalibreren van de onzekerheid (bijv. via conformal prediction) en het uitbreiden van het meetmodel om niet-lineaire effecten en directionele afhankelijkheden volledig te omvatten.

Kortom, DDRM biedt een nieuwe, robuuste en hoogwaardige route voor het reconstrueren van de radiohemel, die de fysica van de meting naadloos combineert met de expressiviteit van moderne deep learning.