Nonlinear RMM-GKS for Large-Scale Dynamic and Streaming Inverse Problems with Uncertain Forward Operators

Resumo Técnico: RMM-GKS Não Linear para Problemas Inversos Dinâmicos e de Streaming em Grande Escala

Enunciado do Problema
Muitos sistemas de imageamento práticos, incluindo tomografia computadorizada (TC) e tomografia fotoacústica (PAT), sofrem com incertezas na geometria de aquisição, como ângulos de projeção ou posições de sensores imperfeitamente calibrados. Essas incertezas tornam o operador direto $H(p)$ dependente de parâmetros desconhecidos $p$, transformando a tarefa de reconstrução em um problema inverso não linear. O objetivo é a estimativa conjunta da imagem $u$ e dos parâmetros geométricos $p$ minimizando um objetivo de mínimos quadrados regularizado:
$$\min_{u, p} \frac{1}{2}\|H(p)u - b\|_2^2 + \lambda\|\Psi u\|_1$$
onde $\Psi$ é um operador de regularização (tipicamente promovendo preservação de bordas via variação total). Abordagens lineares padrão falham aqui, e métodos não lineares existentes frequentemente lutam com escalabilidade, restrições de memória ou sensibilidade à inicialização. Além disso, cenários de imageamento dinâmico introduzem mudanças temporais, exigindo a estimativa conjunta de imagens variantes no tempo e, potencialmente, parâmetros geométricos invariantes no tempo.

Metodologia
Os autores propõem o framework Não Linear de Subespaço de Krylov Generalizado com Majorização-Minimização Reciclada (NL-RMM-GKS). Este método estende a abordagem linear RMM-GKS para lidar com a não linearidade introduzida por $p$, mantendo o uso de memória limitado para problemas em grande escala.

O framework é construído sobre duas formulações complementares para resolver o problema de otimização conjunta:

1. Minimização Alternada (AltMin): Esta abordagem desacopla o problema, alternando entre:
   • Atualização da Imagem: Resolver para $u$ com $p$ fixo usando o algoritmo RMM-GKS. Isso envolve a construção de um majorante quadrático para a penalidade não suave $\ell_1$ e projeção em um subespaço de Krylov reciclado.
   • Atualização do Parâmetro: Resolver para $p$ com $u$ fixo usando iterações de Gauss-Newton amortecidas com busca de linha por retrocesso.
2. Projeção de Variáveis (VarPro): Esta abordagem elimina analiticamente a variável de imagem $u$ resolvendo implicitamente o subproblema majorizado, reduzindo o problema conjunto a uma otimização apenas sobre $p$. O objetivo reduzido é então otimizado usando passos de Gauss-Newton.

Componentes Técnicos Chave:

• Estratégia de Reciclagem: Para abordar o gargalo de memória dos métodos de Krylov padrão, onde a dimensão do subespaço cresce ilimitadamente, os autores empregam um ciclo de "ampliar-comprimir". O subespaço de Krylov é expandido até uma dimensão máxima ($k_{max}$) e depois comprimido de volta para uma dimensão mínima ($k_{min}$) usando SVD truncada, retendo apenas as direções de busca mais informativas. Isso garante o uso de memória limitado independentemente do número de iterações.
• Estabilização por Alta Regularização: Para evitar que a atualização do parâmetro seja atraída para mínimos locais pobres devido à regularização insuficiente na estimativa da imagem, uma solução secundária opcional com um parâmetro de regularização grande é realizada. Isso fornece uma estimativa de imagem mais suave para a etapa de atualização do parâmetro, mantendo a solução primária para a reconstrução.
• Variantes de Streaming (s-NL-RMM-GKS): Para conjuntos de dados grandes demais para caber na memória ou que chegam sequencialmente, o método processa dados em blocos. A base de Krylov comprimida, a estimativa da imagem e a estimativa do parâmetro são carregadas entre blocos, permitindo a reconstrução sem formar o operador direto completo.
• Regularização Temporal: Para problemas dinâmicos, o framework incorpora duas estratégias plug-in:
  • Variação Total Anisotrópica (ANISO-TV): Penaliza gradientes espaciais e diferenças de intensidade quadro a quadro.
  • Fluxo Óptico (OF): Impõe um modelo de movimento baseado em física estimando campos de velocidade entre quadros e incorporando-os no operador de regularização.

Contribuições Principais

1. Framework Não Linear Unificado: O artigo apresenta o NL-RMM-GKS, um framework abrangente que generaliza métodos lineares anteriores (MM-GKS, RMM-GKS, s-RMM-GKS e MMGKS-OF) para o cenário não linear com operadores diretos incertos.
2. Realizações Duais: O desenvolvimento de ambas as realizações AltMin e VarPro, oferecendo um trade-off entre robustez à inicialização (AltMin) e velocidade de convergência com boa inicialização (VarPro).
3. Memória Limitada para Problemas Não Lineares: A adaptação da estratégia de reciclagem ao cenário não linear, garantindo que os requisitos de memória permaneçam limitados mesmo à medida que o operador direto muda com as atualizações de parâmetros.
4. Extensões de Streaming e Dinâmicas: A introdução de variantes de streaming para processamento de dados sequenciais e a integração de estratégias de regularização temporal para imageamento dinâmico.
5. Análise de Convergência: Uma prova teórica demonstrando que a sequência gerada pelo algoritmo converge para um ponto estacionário do objetivo conjunto sob suposições de regularidade padrão.

Resultados Numéricos
Os autores validam o framework através de extensos experimentos numéricos em TC de feixe em leque e PAT:

• Reconstrução Estática: Em experimentos de TC com ângulos de projeção incertos, o NL-RMM-GKS com reciclagem alcançou erros de reconstrução (RRE) significativamente menores em comparação com o MM-GKS padrão sem reciclagem. Variantes de streaming (s-NL-RMM-GKS) demonstraram um trade-off controlável entre memória/tempo de execução e qualidade de reconstrução com base no número de blocos de dados.
• Sensibilidade à Inicialização: Em experimentos de PAT com incerteza no raio do sensor, o VarPro convergiu mais rápido com boas estimativas iniciais, mas exibiu comportamento oscilatório e instabilidade com inicialização pobre. Por outro lado, o AltMin mostrou maior robustez à inicialização pobre, mantendo convergência estável.
• Imageamento Dinâmico: Em experimentos de TC dinâmica (MNIST em Movimento) e PAT (Fantasma de Blocos), a regularização por Fluxo Óptico superou consistentemente a ANISO-TV, particularmente quando o movimento interquadro foi significativo ou ao usar streaming com muitos blocos. O framework recuperou com sucesso tanto a sequência de imagens quanto os parâmetros geométricos, superando linhas de base que usavam apenas inicialização por busca em grade grosseira.
• Eficiência de Memória: A estratégia de reciclagem preveniu com sucesso o crescimento ilimitado da memória, com o uso de pico de memória permanecendo constante independentemente do número total de iterações ou tamanho do conjunto de dados.

Significado e Alegações
O artigo alega que o NL-RMM-GKS fornece uma solução robusta e escalável para problemas inversos não lineares em grande escala com operadores diretos incertos. Seu significado reside em:

• Escalabilidade: Ao limitar o uso de memória através da reciclagem e permitir processamento de streaming, o método aborda problemas intratáveis para métodos padrão de subespaço de Krylov.
• Estimativa Conjunta: Acopla efetivamente a reconstrução de imagem com a estimativa de parâmetros, mitigando os artefatos causados por incertezas geométricas que afligem abordagens lineares.
• Flexibilidade: O framework é modular, acomodando diferentes estratégias de regularização temporal e oferecendo uma escolha entre AltMin e VarPro com base nas características específicas do problema e na qualidade da inicialização.
• Garantia Teórica: Ao contrário de muitas abordagens híbridas heurísticas, o método é apoiado por uma garantia de convergência para um ponto estacionário.

Os autores observam que, embora o método seja eficaz, a convergência global para o mínimo global não pode ser garantida para problemas não convexos, e trabalhos futuros focarão em estabelecer taxas de convergência, estender para espaços de parâmetros de alta dimensão e validar em dados do mundo real.