🔭 astrophysics

Bayesian imaging inverse problem with scattering transform

本文引入了一种贝叶斯成像逆问题框架，该框架利用散射变换统计特性，能够在不依赖外部先验分布的情况下，实现低数据量下的精确信号重建与后验推理。

原作者： Sébastien Pierre, Erwan Allys, Pablo Richard, Roman Soletskyi, Alexandros Tsouros

发布于 2026-06-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Sébastien Pierre, Erwan Allys, Pablo Richard, Roman Soletskyi, Alexandros Tsouros

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图解决一个巨大且复杂的拼图游戏，但有人把原图弄脏了、抹上了油腻，还撕掉了随机的碎片，然后把这个损坏后的结果交给了你。你的目标是弄清楚原本那张完美无瑕的图片是什么样子的。

在天文学领域，这是一个常见的问题。科学家们通过望远镜观测宇宙，但得到的图像往往是模糊、多噪点或者缺失数据块的。通常，为了修复这些图像，他们需要一本“规则书”（数学先验），告诉他们宇宙“应该”是什么样子的。但对于许多奇异且复杂的宇宙模式，我们目前还没有一套好的规则书。

这篇论文介绍了一种全新的、聪明的解决方法，无需预设规则书即可解决这个拼图问题。以下是其工作原理的拆解，通过简单的概念进行说明：

1. 问题所在：噪声太多，线索太少

通常，当科学家试图重建宇宙图像（例如暗物质图谱）时，他们试图猜测图像中每一个像素点的精确位置。这就像是在尝试猜出海滩上每一粒沙子的颜色。信息量太大了，而且如果只有一张模糊的照片作为起点，几乎是不可能做对的。

2. 解决方案：“指纹”法

作者们并没有决定去猜测每一个像素点，而是决定专注于图像的**“指纹”**。

他们使用了一种叫做**散射变换（Scattering Transform）**的数学工具。你可以把它想象成一种特殊的扫描仪，它不看单个像素，而是测量图像的“纹理”和“神韵”。它会提出这样的问题：

“这个东西有多成块状？”
“图案是平滑的还是锯齿状的？”
“微小的旋涡是如何与大型旋涡相互作用的？”

这些测量结果会生成一组简短、紧凑的数字列表（即指纹），它描述了图像的核心本质，同时忽略了杂乱的噪声。

3. 魔法技巧：在一个更小的房间里工作

作者意识到，与其试图在“所有可能像素”这个巨大且混乱的房间里解决问题，不如将问题缩小到一个极小的、可控的“指纹”房间里。

旧方法： 尝试猜测宇宙的确切形状（数十亿种可能性）。
新方法： 猜测宇宙的“指纹”（仅几百种可能性）。

因为“指纹”房间非常小，所以他们可以利用数学来计算哪些指纹最有可能产生了他们所观察到的那个模糊、受损的图像。

4. 过程：一场聪明的猜谜游戏

作者创建了一个分步骤的算法，就像一个不断完善理论的侦探：

开始猜测： 他们从一个关于“指纹”可能性的随机猜测开始。
测试猜测： 他们根据这个指纹生成一张虚构图像，然后故意对这张虚构图像进行“涂抹”和“遮盖”（就像真实的望远镜处理那样），以观察它看起来会是什么样子。
对比： 他们将这张涂抹过的虚构图像与他们实际拥有的那张受损图像进行对比。
优化： 如果虚构图像看起来差异太大，他们就会调整猜测；如果看起来很相似，他们就保留当前的猜测。
重复： 他们反复进行这个过程，越来越接近与数据相匹配的真实“指纹”。

5. 结果：重建图像

一旦他们得到了正确的“指纹”（统计模型），他们就可以做两件了不起的事情：

统计重建： 他们可以生成许多个关于原始宇宙可能样貌的不同版本。在微观细节上，这些版本看起来各不相同（因为噪声的存在），但它们都拥有与真实数据完全相同的“神韵”和结构。
确定性重建： 他们还可以训练计算机来挑选出那个最符合数据的、单一的最可能的“最佳猜测”图像。

核心结论

这篇论文证明了，你不需要一本完美的宇宙规则书也能修复一张模糊、受损的图像。通过关注纹理和模式（散射统计特性）而非单个像素，你可以从数学上“消除涂抹”，并找回隐藏的宇宙结构，即使你手里只有一张充满噪声的图片。

他们在模拟的“宇宙大尺度结构”（星系与暗物质组成的宇宙网）上测试了该方法，并证明了即使在图像受到严重污染和缺失碎片的情况下，该方法也能完美地恢复原始图像的统计特性。

技术摘要：基于散射变换的贝叶斯成像逆问题

问题表述
本文探讨了解决天体物理学和宇宙学中贝叶斯成像逆问题的挑战，特别是在仅有一个受污染观测值（ $d_0$ ）的“低数据量机制”下的问题。核心难点在于如何从一个已知的（但通常是随机或不可逆的）前向算子 $F$ 生成的数据 $d_0 = F(s_0)$ 中，恢复出潜在的物理场 $s_0$ 。

传统的贝叶斯方法需要一个编码了信号物理知识的先验分布 $p(s)$ 。然而，对于复杂的非高斯天体物理场（例如大尺度结构、银河系尘埃），设定具有物理动机的先验非常困难，而数据驱动的先验在训练数据匮乏时也会失效。作者将该问题框架化为：在不依赖外部先验或大规模训练数据集的情况下，刻画后验分布 $p(s | d_0)$ ，重点关注非高斯、正则场。

方法论
所提出的方法将推理目标从高维像素空间（ $n \approx 10^5$ ）转移到了低维的散射变换（Scattering Transform, ST）统计量流形（ $l \approx 10^2$ ）。

散射变换表示： 该方法利用 ST 统计量 $\phi(s)$ 来刻画非高斯过程，这些统计量通过捕捉不同方向尺度的相互作用来发挥作用。这些统计量被用于构建高效的最大熵生成模型 $p_{\mu_S}(s)$ ，该模型由 ST 统计量 $\mu_S$ 参数化。
降维： 该方法不是在场 $p(s | d_0)$ 上进行推理，而是在 ST 统计量参数上进行推理： $p(\mu_S | \phi(d_0))$ 。这使得问题简化为寻找一个与观测数据统计特性一致的生成模型。
似然近似： 在 ST 空间中的前向算子（将参数 $\mu_S$ 映射到数据统计量 $\phi(d)$ ）由于需要从生成模型中进行采样，在解析上是难以处理的。作者通过泰勒展开，利用高斯线性模型来近似该似然函数： $p(\phi(d) | \mu_S) \sim \mathcal{N}(A\mu_S + b | \Sigma)$ 。
迭代自适应算法： 为了估计这些参数（ $A, b, \Sigma$ $A, b, Σ$ ）以及由此产生的后验分布，作者提出了一种序列估计算法：
- 初始化： 一个狭窄的高斯提议分布 $q_0(\mu_S)$ ，其中心位于参考图 $\tilde{s}$ 的 ST 统计量上；该参考图是通过优化白噪声以最小化其变换统计量与观测数据统计量之间的距离而获得的。
- 序列细化： 通过将前一个提议分布与估计的似然函数相结合，迭代更新提议分布。协方差在每一步都会乘以因子 2 进行缩放，以防止因多次对同一观测值进行条件化处理而导致的过度自信。
- 收敛： 当提议分布收敛到一个不动点时，过程停止。该不动点在均匀先验和线性高斯似然下与后验分布一致。

核心贡献

新型推理框架： 本文引入了一个在散射变换统计量空间而非像素空间进行推理的贝叶斯框架，从而能够实现对非高斯场的可处理求解，且无需外部先验。
自适应算法： 提出了一种特定的迭代算法，利用线性高斯似然近似来估计生成模型参数的后验分布，避免了在高维空间中训练神经密度估计器所需的计算成本。
单图像重建： 该方法旨在单观测值机制下运行，绕过了深度学习方法通常需要的庞大训练数据集。

结果
该方法使用来自 Quijote 宇宙学模拟的柱密度场（大尺度结构）以及一个由白高斯噪声和随机椭圆掩模组成的模拟仪器前向算子进行了验证。

统计推理： 后验样本的 ST 统计量准确地重现了真实底层场 $s_0$ 的统计特性（功率谱和一阶概率分布函数）。
确定性重建： 通过从推断的生成模型中采样，作者生成的图在通过前向算子后，在视觉上与观测值无法区分。生成的场本身与大尺度结构（LSS）图保持一致，其变异性主要集中在最小的、受噪声支配的尺度上。
无外部先验： 重建过程无需任何关于目标场的外部先验分布，仅依赖于基于 ST 的生成模型结构。

意义与主张
本文声称，散射变换统计量为解决具有挑战性的低数据量机制下的复杂成像逆问题提供了一种有效的表示方法。该方法证明了即使在以下情况下，对非高斯天体物理信号进行准确的统计推理和确定性信号重建也是可能的：

仅有一个受污染的图像可用。
不存在物理动机的先验或现实的训练数据集。

作者指出，这项工作为目前几乎没有任何先验建模可用的非高斯天体物理和宇宙学信号开辟了新的应用途径，并提供了超越所测试的具体大尺度结构案例的泛化解决方案。