Technische Samenvatting: Meetgeometrie en Ontwerp voor Betrouwbare Generatieve Inverse Problemen

1. Probleemstelling

Generatieve modellen, in het bijzonder diffusiemodellen, zijn de standaard geworden als priors voor het oplossen van inverse problemen (bijv. $y = Ax^* + e$) in velden zoals medische beeldvorming. Hoewel deze modellen reconstructie mogelijk maken vanuit sterk onderbepaalde metingen, introduceren ze een fundamenteel "vertrouwensprobleem": een gereconstrimeerd beeld kan visueel plausibel en consistent zijn met de metingen, maar toch een "hallucinatie" zijn die door de prior is gegenereerd langs richtingen die niet geobserveerd zijn door de meetoperator $A$.

De centrale uitdaging is het onderscheiden tussen een reconstructie die ondersteund wordt door werkelijke data en een reconstructie die is ingevuld door de prior. In de medische beeldvorming, waar acquisitie beperkt wordt door scantijd, stralingsdosis en hardware, is dit onderscheid cruciaal. Bestaande compressed sensing-theorie leunt vaak op globale eigenschappen van willekeurige meetoperators (bijv. de Restricted Isometry Property) of gaat uit van vaste operatoren. Dit artikel behandelt de specifieke vraag van scanspecifieke acquisitie: gegeven een vaste generatieve prior en een initiële set metingen, hoe kan men bepalen of de operator in staat is om het doelwit te onderscheiden van nabijgelegen plausibele alternatieven, en hoe kan men aanvullende gestructureerde metingen ontwerpen om resterende ambiguïteit op te lossen?

2. Methodologie

2.1 Meetgeometrisch Perspectief

De auteurs stellen voor om het probleem te bekijken vanuit het perspectief van meetgeometrie. Ze modelleren de generatieve prior als een lokale datamanifold $\mathcal{M}$ rond het ware signaal $x^*$. De kernhypothese is dat een meetoperator alleen betrouwbaar is voor zover deze de raakrichtingen (tangent directions) van deze lokale manifold observeert. Als de operator ongevoelig is voor een raakrichting, kunnen twee visueel verschillende beelden op de manifold bijna identieke metingen produceren, wat leidt tot ambiguïteit.

2.2 Lokale Stabiliteit en Compatibiliteitsindices

Het artikel formaliseert deze intuïtie via een lokaal stabiliteitstheorema. Laat $U_*$ een basis zijn voor de raakruimte $T_{x^*}\mathcal{M}$. De auteurs definiëren twee belangrijke grootheden:

1. Lokale Meetkwaliteit ($\alpha$):
   $$\alpha(A; x^*) := \sigma_{\min}(AU_*)$$
   Dit vertegenwoordigt de kleinste singuliere waarde van de operator beperkt tot de raakruimte. Het dient als een "certificaat voor de slechtste richting". Theorem 1 bewijst dat onder lokale regulariteitsveronderstellingen $\alpha$ de component van de reconstructiefout in de raakrichting controleert. Als $\alpha$ klein is, kan de prior het ware signaal niet onderscheiden van een nabijgelegen alternatief, wat leidt tot potentiële hallucinaties.

2. Log-Determinant Score ($S_\tau$):
   $$S_\tau(A; x^*) := \log \det(U_*^\top A^\top A U_* + \tau I_r)$$
   Deze grootheid beloont het behoud van volume over de gehele lokale raakruimte. Terwijl $\alpha$ een theoretische grens biedt voor de slechtste richting, wordt $S_\tau$ voorgesteld als een praktische, operationele doelstelling voor gulzig (greedy) metingselectie.

2.3 Posterior-Cloud Meetontwerp

Om de ontwerpvraag aan te pakken (hoe kiest men betere metingen), introduceren de auteurs een tweefasig sequentieel acquisitiekader dat geen training van een nieuwe sampling-policy vereist:

1. Fase 1: Verkrijg een initiële set gestructureerde metingen (bijv. een vaste masker of projectiehoeken) om een grove reconstructie te verkrijgen.
2. Fase 2: Gebruik de vooraf getrainde generatieve prior om een posterior cloud te samplen, geconditioneerd op de Fase 1-metingen. Schat vanuit deze cloud een lokale subspace (raakbasis).
3. Selectie: Selecteer gulzig aanvullende haalbare metingen (bijv. specifieke k-ruimte lijnen of projectiehoeken) die de incrementele log-determinant score $S_\tau$ op de geschatte subspace maximaliseren.

Deze aanpak past de meetoperator aan de specifieke geometrie van de huidige scan van de posterior aan, zonder dat daarvoor ground-truth data of hertraining nodig is.

3. Belangrijkste Bijdragen

1. Meetgeometrisch Kader: Het artikel vestigt een geometrisch perspectief voor betrouwbare generatieve inverse problemen, waarbij "raak-ambiguïteit" (tangent ambiguity) wordt geïdentificeerd als de wortel van door metingen veroorzaakte hallucinaties.
2. Lokale Compatibiliteitsindex: Het introduceert de index $\alpha(A; x^*)$ en de score $S_\tau(A; x^*)$ om de compatibiliteit tussen een meetoperator en de lokale datamanifold te kwantificeren, wat een theoretische link legt tussen operatorontwerp en reconstructiestabiliteit.
3. Adaptief Ontwerp zonder Learned Policies: De auteurs stellen een "posterior-cloud" ontwerpregel voor die tijdens de testtijd gestructureerde metingen selecteert op basis van de huidige posterior-geometrie. Dit voorkomt de noodzaak om een aparte maskernetwerk of sampling-policy te trainen, wat het onderscheidt van volledig geleerde acquisitiemethoden.
4. Empirische Validatie: Het framework wordt gevalideerd over drie verschillende gestructureerde acquisitie-instellingen:
   • Row Sampling (MNIST): Demonstreert dat specifieke rijpatronen hallucinaties kunnen induceren (bijv. het reconstrueren van een '9' als een '7') en dat geometriescores correleren met de reconstructiefout.
   • Tomografische Hoekselectie (MNIST-CT): Toont aan dat adaptieve hoekselectie op basis van posterior clouds beter presteert dan vaste en willekeurige hoekstrategieën.
   • FastMRI Cartesian Sampling: Demonstreert dat posterior-cloud ontwerp de prestaties verbetert ten opzichte van sterke, niet-geleerde baselines (bijv. variable-density en Poisson-achtige maskers) bij de selectie van k-ruimte lijnen, zelfs bij het behoud van kalibratiegebieden (ACS).

4. Resultaten

• Correlatie met Fout: In de MNIST row sampling experimenten vertoonden de voorgestelde geometriescores ($\hat{\alpha}$ en $\hat{S}_\tau$) sterke negatieve correlaties met de reconstructiefout (Pearson/Spearman correlaties rond de -0,5 tot -0,6), wat bevestigt dat een betere observabiliteit van de manifold leidt tot een lagere fout.
• Mitigatie van Hallucinaties: De studie visualiseerde hoe ontoereikende maskers leiden tot meting-consistente hallucinaties. De voorgestelde adaptieve ontwerpen slaagden erin deze faalmodi te verminderen door metingen te selecteren die "streekregio's" (stroke regions) doorkruisen die plausibele alternatieven van elkaar scheiden.
• Prestatiewinst:
  • In MNIST-CT bereikte de adaptieve posterior-cloud methode de laagste relatieve fout over alle geteste hoekbudgetten (bijv. 0,3145 vs. 0,3231 voor uniforme spreiding in een 7+7 setting).
  • In FastMRI (R=6) bereikte de adaptieve methode, gebruikmakend van een VDS prefix gevolgd door posterior-cloud selectie, een NRMSE van 0,0620 en een SSIM van 0,9574. Dit presteerde beter dan de sterke niet-geleerde baseline van ACS + VD-Poisson-achtig (NRMSE 0,0662, SSIM 0,9528), wat aantoont dat test-time adaptatie zelfs goed afgestemde statische maskers kan verfijnen.

5. Betekenis en Claims

Het artikel claimt dat betrouwbaarheid in generatieve inverse problemen niet uitsluitend een eigenschap is van de prior of de solver, maar fundamenteel afhangt van de vraag of de meetoperator de lokaal plausibele alternatieven oplost die door die prior worden geïnduceerd.

• Verklarende Kracht: Het framework biedt een geometrische verklaring voor hallucinaties: ze treden op wanneer de operator er niet in slaagt de raakrichtingen te observeren waar de prior significante variatie toestaat.
• Ontwerpprincipe: Het biedt een praktisch, conservatief ontwerpprincipe voor gestructureerde acquisitie. Door te optimaliseren voor lokale volumepreservatie (via de log-determinant score) op de posterior cloud, kan men metingen selecteren die ambiguïteit verminderen zonder dat daarvoor ground-truth trainingsdata nodig is.
• Bescheidenheid van Claims: De auteurs geven expliciet aan dat hun claims lokaal en directioneel zijn en niet globaal. De log-determinant score is een praktische surrogaat voor de slechtste singuliere waarde, en geen garantie dat elke gulzige stap de slechtste grens verbetert. Bovendien is de vergelijking gericht op niet-geleerde baselines; het artikel erkent dat volledig geleerde acquisitiebeleid (getraind op grote datasets) mogelijk een hogere absolute prestatie bereiken, maar beantwoordt een andere vraag door te vertrouren op de geometrie van de posterior tijdens de testtijd in plaats van op trainingsdistributies.

Concluderend overbrugt dit werk de kloof tussen generatieve priors en meetontwerp, door te stellen dat voor een vaste solver de meetoperator een "eersteklas determinant" blijft van de betrouwbaarheid van de reconstructie.