Marginal multi-object multi-frame blind deconvolution

Resumo Técnico: Deconvolução Cega Multifrâmica Multiobjeto Marginal

Declaração do Problema
A imageamento solar terrestre de alta resolução é fundamentalmente limitada pela turbulência atmosférica, que introduz flutuações no índice de refração que degradam a qualidade da imagem. Embora os sistemas de Óptica Adaptativa (AO) forneçam correção parcial, erros residuais de frente de onda persistem, tornando necessária a restauração de imagem post-facto para aproximar o limite de difração teórico. Métodos tradicionais de restauração, especificamente a Deconvolução Cega Multifrâmica Multiobjeto (MOMFBD), dependem de estimação conjunta de Máxima Verossimilhança (ML). Neste arcabouço, o objeto solar e as aberrações atmosféricas são estimados simultaneamente, maximizando a verossimilhança dos dados observados.

No entanto, a abordagem conjunta de ML enfrenta desafios significativos, particularmente em regimes de baixa relação sinal-ruído (SNR). Como busca uma estimativa pontual conjunta tanto para o objeto quanto para a frente de onda, o problema é frequentemente mal-posto. Na presença de ruído, o algoritmo tende a sobreajustar, atribuindo erroneamente potência de ruído a aberrações de alta ordem. Isso necessita de filtragem de Fourier artesanal e ajuste fino de parâmetros de regularização. Além disso, o contraste da reconstrução é altamente sensível aos hiperparâmetros que ditam a Densidade Espectral de Potência (PSD) do prior do objeto, exigindo ajuste manual especializado que é demorado e difícil de padronizar.

Metodologia
O artigo propõe uma mudança da estimação pontual conjunta para um arcabouço de Máximo A-Posteriori Marginal (MMAP). Em vez de resolver para o objeto e as aberrações simultaneamente, os objetos são tratados como "parâmetros de incômodo". Ao definir um prior bayesiano adequado para os objetos e marginalizar (integrar) sobre eles, o método isola a probabilidade a posteriori das aberrações apenas.

A formulação matemática procede da seguinte forma:

1. Configuração do Modelo: O modelo de observação assume $J$ quadros de curta exposição para $K$ objetos co-espaciais com $L$ canais de diversidade. A imagem observada é modelada como a convolução do objeto verdadeiro com uma Função de Espalhamento de Ponto (PSF) representando a turbulência instantânea, mais ruído aditivo.
2. Formulação Bayesiana: A distribuição a posteriori das incógnitas (objeto $o$ e PSFs $H$) é definida. Assumindo priores Gaussianos para o objeto e ruído Gaussiano, a posteriori conjunta fatora-se em um produto de duas Gaussianas.
3. Marginalização: Em vez de encontrar a estimativa de Máximo A-Posteriori (MAP) do objeto e inseri-la de volta na verossimilhança (como feito na estimação conjunta), o objeto é integrado. Isso produz uma função de verossimilhança marginalizada dependente apenas das PSFs e dos hiperparâmetros.
4. Implementação: O log-verossimilhança marginal negativo é derivado. No domínio de Fourier, utilizando a identidade de Woodbury e a fórmula de Sherman-Morrison, o cálculo torna-se eficiente. A função de mérito resultante é quase idêntica ao estimador conjunto padrão, mas inclui um termo adicional de log-determinante.
5. Otimização: O método utiliza o otimizador Adam com diferenciação automática (PyTorch). Uma abordagem de agendamento é empregada, onde os modos de expansão da frente de onda são aumentados gradualmente para evitar mínimos locais. Crucialmente, os hiperparâmetros que controlam a PSD do prior do objeto e a variância do ruído são otimizados diretamente junto com os coeficientes da frente de onda durante as iterações iniciais, após o que são fixados para prevenir divergência.

Principais Contribuições

• Regularização Aprimorada: O processo de marginalização conta naturalmente com a incerteza do objeto. Isso impede que o algoritmo de reconstrução atribua potência de ruído a aberrações de alta ordem, um modo de falha comum na estimação conjunta.
• Controle de Contraste Robusto: O estimador marginal é significativamente menos sensível aos hiperparâmetros que governam a PSD do objeto. Isso permite que esses hiperparâmetros sejam otimizados diretamente, possibilitando uma implantação "plug-and-play" que remove a necessidade de ajuste manual especializado.
• Sobrecarga de Implementação Mínima: O método requer apenas a adição de um termo de log-determinante à função de mérito tradicional. Foi totalmente integrado ao pacote de código aberto torchmfbd, exigindo modificações mínimas em pipelines existentes de deconvolução cega.
• Seleção Automática de Modos: O comportamento da função de perda marginal permite a seleção automática do número ótimo de modos de frente de onda. A função de perda exibe um mínimo claro, equilibrando o ajuste aos dados contra a regularização, ao passo que a função de perda conjunta diminui monotonicamente, não oferecendo tal orientação.

Resultados
O método proposto foi validado usando dados do instrumento CRISP (SST) e do instrumento HiFI (GREGOR), cobrindo tanto regiões ativas quanto observações do Sol quieto.

• Estabilidade de Contraste: Na estimação conjunta, o contraste da reconstrução é altamente sensível ao hiperparâmetro da PSD ($\kappa$). Valores pequenos levam a imagens borradas, enquanto valores grandes causam realce de contraste artificial e artefatos. O estimador marginal produz contraste estável e realista sem ajuste.
• Independência da Contagem de Quadros: Ao variar o número de quadros ($M$) no burst, os estimadores conjuntos exigem ajuste cuidadoso do parâmetro de PSD para evitar artefatos ou borrões. O estimador marginal produz automaticamente reconstruções com contraste e qualidade visual apropriados através de diferentes contagens de quadros (por exemplo, de $M=2$ a $M=50$).
• Otimização da Contagem de Modos: Experimentos com dados sintéticos demonstraram que a função de perda marginal possui um mínimo distinto correspondente ao número ótimo de modos KL (por exemplo, 60–80 modos para $r_0=10$ cm). Em contraste, a função de perda conjunta diminui monotonicamente com o aumento dos modos, falhando em indicar um ponto de parada ótimo.
• Qualidade Visual: As reconstruções usando o estimador marginal exibiram estruturas ligeiramente mais definidas e maior contraste em comparação com a MOMFBD padrão e estimadores conjuntos, particularmente em regiões de penumbra, sem introduzir artefatos de alta frequência.

Significância
O artigo afirma que o estimador marginal aborda as limitações inerentes da estimação conjunta tradicional de Máxima Verossimilhança em imageamento solar. Ao fornecer uma reconstrução estável que é menos sensível ao ruído de alta frequência e às escolhas de hiperparâmetros, o método facilita um fluxo de trabalho mais automatizado e robusto. A capacidade de otimizar hiperparâmetros e selecionar o número de modos diretamente a partir dos dados reduz a dependência de intervenção especializada, tornando a restauração de imagens solares de alta qualidade mais acessível à comunidade mais ampla da física solar. A integração no torchmfbd garante disponibilidade imediata para processamento rotineiro de dados.