Bayesian imaging inverse problem with scattering transform

Resumo Técnico: Problema Inverso de Imagem Bayesiana com Transformada de Espalhamento

Formulação do Problema
O artigo aborda o desafio de resolver problemas inversos de imagem bayesianos em astrofísica e cosmologia, especificamente em "regimes de baixos dados", onde apenas uma observação contaminada ($d_0$) está disponível. A dificuldade central reside em recuperar um campo físico subjacente ($s_0$) a partir de dados produzidos por um operador direto ($F$) conhecido, porém frequentemente estocástico ou não invertível, tal que $d_0 = F(s_0)$.

Abordagens bayesianas tradicionais exigem uma distribuição a priori $p(s)$ que codifique o conhecimento físico sobre o sinal. No entanto, para campos astrofísicos complexos e não gaussianos (ex: estrutura de grande escala, poeira galáctica), especificar uma priori motivada fisicamente é difícil, e as prioris baseadas em dados falham quando os dados de treinamento são escassos. Os autores formulam o problema como a caracterização da distribuição posterior $p(s | d_0)$ sem depender de prioris externas ou de grandes conjuntos de dados de treinamento, focando em campos regulares não gaussianos.

Metodologia
A abordagem proposta desloca o objetivo da inferência do espaço de pixels de alta dimensão ($n \approx 10^5$) para um manifold de baixa dimensão de estatísticas da Transformada de Espalhamento (ST) ($l \approx 10^2$).

1. Representação pela Transformada de Espalhamento: O método utiliza estatísticas de ST, $\phi(s)$, que caracterizam processos não gaussianos ao capturar interações entre escalas orientadas. Essas estatísticas são usadas para construir modelos generativos de entropia máxima eficientes, $p_{\mu_S}(s)$, parametrizados pelas estatísticas de ST $\mu_S$.
2. Redução de Dimensionalidade: Em vez de inferir a posterior sobre campos $p(s | d_0)$, os autores inferem a posterior sobre os parâmetros das estatísticas de ST: $p(\mu_S | \phi(d_0))$. Isso reduz o problema à busca de um modelo generativo consistente com as estatísticas dos dados observados.
3. Aproximação de Verossimilhança: O operador direto no espaço de ST, mapeando parâmetros $\mu_S$ para estatísticas de dados $\phi(d)$, é analiticamente intratável devido à amostragem necessária a partir de modelos generativos. Os autores aproximam essa verossimilhança usando um modelo linear gaussiano derivado via expansão de Taylor: $p(\phi(d) | \mu_S) \sim \mathcal{N}(A\mu_S + b | \Sigma)$.
4. Algoritmo Adaptativo Iterativo: Para estimar os parâmetros ($A, b, \Sigma$) desta verossimilhança gaussiana e da posterior resultante, os autores propõem um algoritmo de estimação sequencial:
   • Inicialização: Uma proposta gaussiana estreita $q_0(\mu_S)$ centrada nas estatísticas de ST de um mapa de referência $\tilde{s}$, obtido otimizando ruído branco para minimizar a distância entre suas estatísticas transformadas e as estatísticas dos dados observados.
   • Refinamento Sequencial: A distribuição de proposta é atualizada iterativamente combinando a proposta anterior com a verossimilhança estimada. A covariância é escalonada por um fator de 2 em cada etapa para evitar excesso de confiança artificial ao condicionar na mesma observação múltiplas vezes.
   • Convergência: O processo para quando a distribuição de proposta converge para um ponto fixo, coincidindo com a distribuição posterior sob uma priori uniforme e verossimilhança gaussiana linear.

Principais Contribuições

• Novo Framework de Inferência: O artigo introduz um framework bayesiano que realiza a inferência no espaço das estatísticas da Transformada de Espalhamento em vez do espaço de pixels, permitindo soluções tratáveis para campos não gaussianos sem prioris externas.
• Algoritmo Adaptativo: Propõe um algoritmo iterativo específico que aproxima a distribuição posterior dos parâmetros do modelo generativo usando uma aproximação de verossimilhança gaussiana linear, evitando o custo computacional de treinar estimadores de densidade neural em espaços de alta dimensão.
• Reconstrução de Imagem Única: O método é projetado para operar em um regime com apenas uma observação, contornando a necessidade de grandes conjuntos de dados de treinamento tipicamente exigidos por abordagens de aprendizado profundo.

Resultos
O método foi validado utilizando um campo de densidade de coluna das simulações cosmológicas Quijote (estrutura de grande escala) e um operador direto instrumental fictício composto por ruído gaussiano branco e máscaras elípticas aleatórias.

• Inferência Estatística: As amostras da posterior das estatísticas de ST reproduziram com precisão as propriedades estatísticas (espectro de potência e função de densidade de probabilidade de um ponto) do verdadeiro campo subjacente $s_0$.
• Reconstrução Determinística: Ao amostrar dos modelos generativos inferidos, os autores geraram mapas visualmente indistinguíveis da observação quando passados pelo operador direto. Os campos gerados foram consistentes com mapas de Estrutura de Grande Escala (LSS), exibindo variabilidade primariamente nas escalas menores, dominadas pelo ruído.
• Sem Prioris Externas: A reconstrução foi alcançada sem qualquer distribuição a priori externa para o campo de interesse, baseando-se apenas na estrutura do modelo generativo via ST.

Significância e Alegações
O artigo afirma que as estatísticas da Transformada de Espalhamento fornecem uma representação eficaz para resolver problemas inversos de imagem complexos em regimes desafiadores de baixos dados. A abordagem demonstra que a inferência estatística precisa e a reconstrução determinística do sinal são possíveis para sinais astrofísicos não gaussianos mesmo quando:

1. Apenas uma única imagem contaminada está disponível.
2. Não existe uma priori motivada fisicamente ou um conjunto de dados de treinamento realista.

Os autores afirmam que este trabalho abre caminho para novas aplicações em sinais astrofísicos e cosmológicos não gaussianos onde pouco ou nenhum modelamento prévio está disponível atualmente, oferecendo uma solução generalizável além do exemplo específico de Estrutura de Grande Escala testado.