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

Technische Samenvatting: Diffusie-Posterior Steekproefneming op Grafen voor Niet-lineaire Inverse Problemen met Toepassing op Elektrische Impedantie Tomografie

Probleemstelling
Inverse problemen in beeldvorming, met name die welke worden beheerst door partiële differentiaalvergelijkingen (PDV's) zoals Elektrische Impedantie Tomografie (EIT), worden gekenmerkt door ernstige slechtgesteldheid en niet-lineariteit. Traditionele variatiemethoden vertrouwen op handgemaakte regularisatie, wat vaak faalt in het vastleggen van de complexe, hoogdimensionale kenmerken van verdelingen van real-world data. Daarentegen lopen datagedreven deep learning-benaderingen het risico "hallucinaties" in te voeren (fysisch onjuiste maar visueel plausible uitkomsten) en vereisen doorgaans toezicht op training voor specifieke taken.

Een kritieke structurele uitdaging in EIT is dat fysische domeinen van nature worden gediscretiseerd met behulp van ongestructureerde driehoekige meshen (elementenmeshen) in plaats van regelmatige roosters. Standaard convolutie-architecturen, ontworpen voor pixelroosters, zijn suboptimaal voor deze setting. Het interpoleren van eindige-elementenkwantiteiten naar regelmatige roosters introduceert geometrische onnauwkeurigheden en artefacten die inconsistent zijn met de voorwaartse PDV-oplosser. Hoewel Diffusie-Posterior Steekproefneming (DPS) veelbelovend heeft bewezen voor inverse problemen, zijn bestaande kaders voornamelijk roostergebaseerd en missen ze een native aanpak voor ongestructureerde mesh-gegevens.

Methodologie
De auteurs stellen een nieuw kader voor, Geregulariseerde Diffusie-Posterior Steekproefneming (RDPS), dat DPS uitbreidt om native te opereren op graf-gestructureerde gegevens (ongestructureerde meshen). De methodologie bestaat uit drie kerncomponenten:

1. Graf-gebaseerd Onvoorwaardelijk Score-netwerk:
   In plaats van convolutie-neurale netwerken (CNN's) te gebruiken, maken de auteurs gebruik van een multi-schaal Graf Neuraal Netwerk (GNN) gebaseerd op een hiërarchische U-Net-architectuur (DGN$\theta$). Dit netwerk wordt direct getraind op de 2D driehoekige eindige-elementenmesh die wordt gebruikt voor domeindiscretisatie. Het leert een onvoorwaardelijke scorefunctie $\nabla_{x_t} \log p_t(x_t)$ om de a priori-verdeling van de fysische oplossingsruimte (geleidbaarheid) te modelleren zonder interpolatie op roosters te vereisen.

2. Geregulariseerde Diffusie-Posterior Steekproefneming (RDPS):
   Om de ernstige slechtgesteldheid van EIT aan te pakken, waarbij meetgegevens alleen onvoldoende zijn om de geleidbaarheidsverdeling uniek te bepalen, introduceren de auteurs een expliciete regularisatieterm $R(x)$ in het steekproefnemingproces.

   • Bayesiaanse Formulering: De methode definieert een geleide doel-posterior $\tilde{p}(x|y) \propto p(y|x)p(x)p_R(x)$, waarbij $p_R(x) \propto \exp(-\lambda R(x))$ fungeert als een extra prior.
   • Steekproefneming-algoritme: Het omgekeerde diffusieproces wordt aangepast om een op gradiënten gebaseerde geleidingsstap op te nemen. Op elk tijdstip omvat de update gradiënten uit drie bronnen: de geleerde diffusie-prior, de waarschijnlijkheid van de gegevens (via de voorwaartse operator $F$) en de expliciete regularisator.
   • Regularisatoren: Het kader ondersteunt modulaire regularisatietermen, specifiek Total Variation (TV) voor het behoud van scherpe interfaces, Generalized Tikhonov voor ruimtelijke gladheid, en standaard Tikhonov.
   • Adaptieve Stapgrootte: Een adaptieve stapgrootte $\eta_t$ wordt gebruikt om de geleidingscorrectie te normaliseren op basis van de huidige residual, waardoor stabiliteit wordt gewaarborgd tijdens de omgekeerde diffusietraject, met name in regimes met hoog ruisniveau.

3. Fysica-gedreven Geleiding:
   De voorwaartse operator $F$ (die het EIT-meetproces modelleert via het Complete Electrode Model) is direct geïntegreerd in de steekproefneminglus. Het algoritme gebruikt de Tweedie-schatter om het schone signaal $\hat{x}_0(x_t)$ te benaderen en berekent gradiënten van de term voor gegevenstrouw met betrekking tot de ruisbehalde toestand $x_t$.

Belangrijkste Bijdragen

1. Native Mesh-verwerking: De ontwikkeling van een onvoorwaardelijk diffusiemodel dat direct opereert op 2D driehoekige meshen, waardoor de noodzaak van interpolatie tussen ongestructureerde meshen en regelmatige roosters wordt geëlimineerd.
2. RDPS-kader: De introductie van een geregulariseerde variant van DPS die impliciete diffusie-priors combineert met expliciete regularisatie (TV, Tikhonov) om sterk slechtgestelde niet-lineaire inverse problemen te stabiliseren.
3. Uitgebreide Validatie: Uitgebreide experimenten op zowel synthetische als real-world 2D EIT-datasets die de robuustheid van de methode voor ruis aantonen, het vermogen om te generaliseren naar geometrieën buiten de verdeling, en de superieure prestaties ten opzichte van state-of-the-art baselines.

Experimentele Resultaten
De auteurs evalueerden het voorgestelde DDIM-RDPS (met behulp van de deterministische DDIM-steekproefnemer) tegen verschillende baselines:

• Baselines: Geregulariseerde Gauss-Newton (RGN-TV), Randomize-Then-Optimize Metropolis-Hastings (RTO-MH), Generative Plug-and-Play (GPnP-BM3D) en Deep Posterior Sampling (DP-SGS).
• Datasets: Synthetische datasets met diverse opnamevormen (cirkels, driehoeken, vlekken, hoefijzers) en een real-world 2D EIT-dataset.
• Prestatiemetingen: Mean Squared Error (MSE), Relatieve L2-fout en Structural Similarity Index (SSIM).

Vaststellingen:

• Nauwkeurigheid: RDPS presteerde consistent beter dan alle baselines in reconstructienauwkeurigheid (lagere RMSE/RelErr) en structurele gelijkenis (hogere SSIM). Het was bijzonder effectief in het behoud van scherpe grenzen en geometrische vormen (bijvoorbeeld driehoekige opnames) waar andere methoden vage randen of vereenvoudigde geometrieën produceerden.
• Robuustheid: De methode toonde hoge robuustheid voor zowel additief Gaussisch als Laplaciaans ruis. Een adaptieve regularisatiestrategie stelde het model in staat om prestaties te behouden zonder rekenkundig dure parameterafstemming via roosterzoek.
• Generalisatie: Het model generaliseerde goed naar opnamegeometrieën buiten de verdeling (bijvoorbeeld trainen op cirkels en testen op hoefijzers) en reconstrueerde met succes geleidbaarheidsverdelingen uit real-world experimentele gegevens zonder opnieuw te trainen.
• Ablatie: Onder de regularisatiekeuzes leverde Total Variation (TV) de beste resultaten op voor EIT, in lijn met de stuksgewijs constante aard van geleidbaarheidsopnames.

Betekenis en Claims
Het artikel claimt dat RDPS een aanzienlijke vooruitgang vertegenwoordigt in het oplossen van niet-lineaire, door PDV's beperkte inverse problemen door de statistische kracht van generatieve modellen te verenigen met fysieke integriteit. Door native te opereren op eindige-elementenmeshen, vermijdt de methode de geometrische onnauwkeurigheden die inherent zijn aan roostergebaseerde benaderingen. De integratie van expliciete regularisatie binnen het diffusie-steekproefnemingproces mitigeert effectief de ernstige slechtgesteldheid van EIT, waardoor stabiele, fysisch plausible reconstructies worden geproduceerd die trouw zijn aan de onderliggende fysica. De auteurs positioneren dit werk als een brug tussen onbeheerde generatieve modellering en rigoureuze op fysica gebaseerde inversie, en bieden een flexibel kader dat geen toezicht op taakspecifieke training vereist.