$γ$-Bridge: A Look-Parametric Diffusion Bridge

Technische Samenvatting: $\gamma$-Bridge: Een Look-Parametrische Diffusie-brug

Probleemstelling
Multiplicatieve Gamma-ruis is een signaalafhankelijke degradatie die inherent is aan coherente beeldvormende systemen, met name in de context van Synthetic Aperture Radar (SAR) despeckling. In SAR wordt een intensiteitsbeeld $Y$ gemodelleerd als $Y = X \cdot N$, waarbij $X$ de onderliggende reflectiviteit is en $N$ een Gamma-ruis met een eenheidsgemiddelde en variantie $1/L$. De parameter $L$, bekend als het "equivalent aantal looks", bepaalt de ruistarkte; $L=1$ vertegenwoordigt single-look complex (SLC) data met een lage signaal-ruisverhouding (SNR), terwijl hogere $L$-waarden overeenkomen met gemiddelde, schonere observaties.

Bestaande diffusiegebaseerde denoisers parametriseren hun voorwaartse processen doorgaans met abstracte signaal-ruis schema's in plaats van het fysieke look-getal $L$. Hierdoor zijn deze modellen gebonden aan specifieke trainingsruisniveaus en kunnen ze de input ($L_{in}$) en output ($L_{out}$) ruisniveaus niet onafhankelijk van elkaar controleren tijdens de inferentie. Bovendien ontbreekt bij echte SAR-data gepaarde schone grondwaarheid, waardoor gesuperviseerd trainen op synthetische data gevoelig is voor een domeingap wanneer het wordt toegepast op heterogene real-world sensoren. Huidige methoden vereisen vaak sensor-specifieke fine-tuning of vertrouwen op complexe zelf-gesuperviseerde aannames die niet goed generaliseren over verschillende acquisitiecondities.

Methodologie
De auteurs stellen $\gamma$-Bridge voor, een look-parametrische diffusie-brug ontworpen om Gamma-gecorrumpeerde beelden te herstellen door het fysieke look-getal $L$ expliciet te modelleren als de tijdsas van het diffusieproces.

1. Look-Parametrische Voorwaartse Brug:
   In plaats van een abstract ruisschema, wordt het voorwaartse proces gedefinieerd door een strikt monotone look-schaal $L(t)$ die een schoon limiet ($L_{max}$) verbindt met het geobserveerde ruisniveau ($L_{obs}$). De tussenliggende toestanden volgen exacte Gamma-marginalen:
   $$x_t = \frac{x_0}{L(t)} G_t, \quad G_t \sim \text{Gamma}(L(t), 1)$$
   Dit zorgt ervoor dat elke tussenliggende toestand $x_t$ een fysiek geldige $L(t)$-look SAR-afbeelding is van de onderliggende reflectiviteit $x_0$.

2. Gamma–Lévy Decompositie en Reverse Posterior:
   Het artikel leidt een gesloten vorm reverse posterior $q(x_{t-1} | x_t, x_0)$ af op basis van de additiviteit van onafhankelijke Gamma-variabelen (Lévy-decompositie).

   • Stochastische Reverse: Een reverse stap houdt het toevoegen in van een onafhankelijke Gamma-increment $Y_{t \to t-1} \sim \text{Gamma}(L(t-1)-L(t), 1)$ geschaald door de schone schatting $\hat{x}_0$.
   • Deterministische Reverse: Door de verwachtingswaarde van de stochastische stap te nemen, wordt een deterministische update regel afgeleid: $x_{t-1} = \alpha_t x_t + (1-\alpha_t)\hat{x}_0$, waarbij $\alpha_t = L(t)/L(t-1)$. Deze vorm fungeert als een affiene mix tussen de huidige ruisige toestand en de schone schatting van het netwerk.

3. Netwerkarchitectuur en Training:

   • Log-Residuele Parametrisatie: Het netwerk $G_\theta$ voorspelt een multiplicatieve correctie in het log-domein: $\hat{x}_0 = x_t \cdot \exp(\Delta_\theta)$. Dit sluit aan bij de analytische vorm van de Gamma-ruis en garandeert de niet-negativiteit van de output.
   • Trainingsdoelstelling: Het model wordt getraind op natuurlijke beelden die gecorrumpeerd zijn met synthetische Gamma-ruis bij $L_{obs}=1$. De verliesfunctie combineert drie termen:
     • Reconstructieverlies ($\mathcal{L}_{rec}$): $\ell_1$ verlies tussen $\hat{x}_0$ en de grondwaarheid.
     • Radiometrische Moment Match ($\mathcal{L}_{ratio}$): Dwingt af dat de residu-ratio $x_{obs}/\hat{x}_0$ het juiste gemiddelde en variantie heeft voor het doel-look getal.
     • Two-Step Consistency Loss ($\mathcal{L}_{cons}$): Een traject-niveau regularisator die ervoor zorgt dat voorspellingen op verschillende stappen van de reverse keten consistent met elkaar zijn, wat multi-step inferentie in lage-SNR-regimes stabiliseert.

4. Inferentie-controles:
   Het getrainde model ondersteunt twee orthogonale controles tijdens runtime:

   • Smart-Start (Input Controle): Gegeven een input met een geschat look-getal $\hat{L}_{in}$, wordt de reverse keten geïnitialiseerd bij de corresponderende brug-toestand $t^*$ waar $L(t^*) \approx \hat{L}_{in}$, in plaats van altijd te starten vanaf $L_{obs}=1$.
   • Target-L Output Controle: De reverse keten kan worden beëindigd bij elke stap $t^*$ die overeenkomt met een gewenst output look-getal $L_{out}$, wat flexibele restauratiekwaliteit mogelijk maakt.

Belangrijkste Bijdragen

• Look-Parametrische Diffusie-brug: Het eerste diffusiekader waarbij de tijdsas het fysieke look-getal $L$ is, wat exacte Gamma-marginalen biedt op elke stap en een directe fysieke interpretatie van het diffusieproces geeft.
• Gesloten Vorm Gamma–Lévy Posterior: Afleiding van zowel stochastische als deterministische reverse transities die de Gamma-structuur behouden zonder dat clipping of heuristische beperkingen nodig zijn.
• Zero-Shot Transfer via Orthogonale Controles: Een enkel model dat alleen op synthetische $L_{obs}=1$ data is getraind, kan zero-shot restauratie uitvoeren over een volledig grid van $(L_{in}, L_{out})$ paren. Dit wordt bereikt door een homogene-patch look estimator te combineren met smart-start input controle, waardoor sensor-specifieke fine-tuning overbodig wordt.
• Distributionele Validatie: Introductie van Beta-gekoppelde ratio statistieken om de getrouwheid van de tussenliggende Gamma-marginalen tijdens het reverse proces te valideren.

Experimentele Resultaten

• Synthetische Benchmarks: Op standaard datasets (Set12, McMaster, Kodak24) behaalt $\gamma$-Bridge leidende of competitieve PSNR en SSIM scores over diverse look-getallen ($L_{obs} \in \{1, 2, 4, 8\}$). Met name demonstreert het sterke generalisatie naar beelden met hoge texturen (McMaster), waar het beter presteert dan sparse-prior methoden.
• Real SAR Evaluatie: Het model is getest op data van zes ruimtevaart- en luchtvaartsensoren (Sentinel-1, TerraSAR-X, Gaofen-3, miniSAR, FARAD X/Ka-band) zonder enige fine-tuning.
  • Op ruimtevaartsensoren behaalde $\gamma$-Bridge resultaten die vergelijkbaar met of beter zijn dan state-of-the-art methoden (bijv. MONet, SAR2SAR) in termen van Equivalent Number of Looks (ENL) en randbehoud (EPI), terwijl de radiometrische getrouwheid (Mean intensity) behouden bleef.
  • Op luchtvaartsensoren lag de prestatie in het midden; het presteerde beter dan sommige baselines, maar bleef achter bij anderen op specifieke sensoren, wat wordt toegeschreven aan hoogfrequente structuren en donkere-staart intensiteiten die niet volledig door de synthetische trainingsdistributie worden gevangen.
• Multi-Step Inferentie: Experimenten tonen aan dat een 5-staps deterministische reverse de prestaties significant verbetert ten opzichte van een 1-stap baseline (+1.16 dB), hoewel excessieve stappen (25) leiden tot lichte over-shrinkage door een mismatch tussen training en inferentie.
• Ablatie Studies: Het verwijderen van de closed-form posterior, observatie-conditionering, consistency loss, of de log-lineaire schaal resulteerde in significante prestatieverslechtering, wat de noodzaak van elk component bevestigt voor stabiele multi-step inferentie.

Betekenis en Claims
Het artikel claimt dat $\gamma$-Bridge een nieuw paradigma vestigt voor Gamma-beeldrestauratie door het restauratieproces te ontkoppelen van vaste ruisschema's. De primaire betekenis ligt in het mogelijk maken van zero-shot transfer naar diverse SAR-sensoren en look-getallen met een enkel model dat uitsluitend op synthetische data is getraind. Door het look-getal te behand even als een controleerbare runtime variabele, biedt de methode een fysiek interpreteerbare input en output controle die ontbreekt bij eerdere denoisers. De auteurs benadrukken dat hoewel de methode niet perfect is voor alle hoog-resolutie luchtvaartscenario's (vanwege domeingaps), het succesvol de kloof overbrugt tussen gecontroleerde synthetische training en heterogene real-world inzet zonder dat er grondwaarheid of sensor-specifieke adaptatie nodig is. Het werk wordt gepresenteerd als een stap naar fysiek gefundeerde, controleerbare diffusiemodellen voor niet-Gaussische beeldvormingsproblemen.