技术摘要：面向可靠生成式逆问题的测量几何与设计

1. 问题陈述

生成模型（尤其是扩散模型）已成为解决逆问题（例如 $y = Ax^* + e$）的标准先验，广泛应用于医学成像等领域。虽然这些模型能够实现从高度欠定测量中进行重建，但它们引入了一个根本性的“信任问题”：重建图像在视觉上可能具有合理性且与测量数据一致，但由于测量算子 $A$ 未能观测到某些方向，该图像可能是由先验生成的“幻觉”。

核心挑战在于如何区分一个是由实际数据支持的重建，还是由先验填充的重建。在医学成像中，由于采集受到扫描时间、辐射剂量和硬件设备的限制，这种区分至关重要。现有的压缩感知理论通常依赖于随机测量算子的全局属性（如限制等距性质 RIP），或假设算子是固定的。本文探讨了一个特定的**特定扫描采集（scan-specific acquisition）**问题：给定一个固定的生成先验和一组初始测量值，如何判断该算子是否能够区分目标信号与附近的合理替代品，以及如何设计额外的结构化测量以消除剩余的歧义。

2. 方法论

2.1 测量几何视角

作者提出通过**测量几何（measurement geometry）的视角来审视该问题。他们将生成先验建模为在真实信号 $x^*$ 周围定义了一个局部数据流形 $\mathcal{M}$。其核心假设是：一个测量算子只有在观测到该局部流形的切方向（tangent directions）**时才是可靠的。如果算子对某个切方向不敏感，那么流形上两个视觉上截然不同的图像可能会产生几乎相同的测量结果，从而导致歧义。

2.2 局部稳定性与兼容性指标

作者通过一个局部稳定性定理将这一直觉形式化。设 $U_*$ 为切空间 $T_{x^*}\mathcal{M}$ 的一组基。作者定义了两个关键量：

1. 局部测量质量 ($\alpha$):
   $$\alpha(A; x^*) := \sigma_{\min}(AU_*)$$
   这代表了限制在切空间上的算子的最小奇异值。它作为一个“最差方向证书”。定理 1 证明，在局部正则性假设下，$\alpha$ 控制着重建误差的切向分量。如果 $\alpha$ 很小，先验就无法区分真实信号与附近的替代品，从而导致潜在的幻觉。

2. 对数行列式得分 ($S_\tau$):
   $$S_\tau(A; x^*) := \log \det(U_*^\top A^\top A U_* + \tau I_r)$$
   该量旨在奖励在整个局部切空间内保持体积的行为。虽然 $\alpha$ 为最坏情况下的方向提供了理论界限，但 $S_\tau$ 被提议作为一种实用的、操作性的贪婪测量选择目标。

2.3 后验云测量设计

为了解决设计问题（即如何选择更好的测量），作者引入了一个两阶段顺序采集框架，该框架不需要训练新的采样策略：

1. 第一阶段： 获取一组初始的结构化测量（例如，固定的掩模或投影角度）以获得粗略重建。
2. 第二阶段： 利用预训练的生成先验，在给定第一阶段测量值的情况下采样一个后验云（posterior cloud）。从该云中估计一个局部子空间（切基）。
3. 选择： 贪婪地选择额外的可行测量（例如，特定的 k 空间行或投影角度），使增量对数行列式得分 $S_\tau$ 在估计的子空间上最大化。

这种方法使测量算子能够适应当前扫描后验的特定几何结构，而无需 ground-truth 数据或重新训练。

3. 主要贡献

1. 测量几何框架： 本文为可靠的生成式逆问题建立了一个几何视角，将“切向歧义”确定为测量诱发幻觉的根源。
2. 局部兼容性指标： 引入了指标 $\alpha(A; x^*)$ 和得分 $S_\tau(A; x^*)$ 来量化测量算子与局部数据流形之间的兼容性，提供了算子设计与重建稳定性之间的理论联系。
3. 无需学习策略的自适应设计： 作者提出了一种“后验云”设计规则，在测试时根据当前的后验几何结构选择结构化测量。这避免了需要训练单独的掩模网络或采样策略，从而区别于完全学习的采集方法。
4. 实证验证： 该框架在三种不同的结构化采集设置中得到了验证：
   • 行采样 (MNIST)： 证明了特定的行模式可以诱发幻觉（例如，将 '9' 重建为 '7'），并且几何得分与重建误差相关。
   • 断层扫描角度选择 (MNIST-CT)： 表明基于后验云的自适应角度选择优于固定和随机角度策略。
   • FastMRI 笛卡尔采样： 证明了基于后验云的设计在 k 空间行选择上优于强大的非学习基准（例如变量密度采样和类 Poisson 掩模），即使保留了校准区域 (ACS)。

4. 结果

• 与误差的相关性： 在 MNIST 行采样实验中，提出的几何得分 ($\hat{\alpha}$ 和 $\hat{S}_\tau$) 与重建误差表现出强负相关性（Pearson/Spearman 相关系数约为 -0.5 到 -0.6），证实了更好的流形可观测性会导致更低的误差。
• 缓解幻觉： 研究可视化了不充分的掩模如何导致测量一致的幻觉。所提出的自适应设计通过选择跨越分隔不同合理替代品的“笔画区域”的测量，成功减少了这些失效模式。
• 性能提升：
  • 在 MNIST-CT 中，自适应后验云方法在所有测试的角度预算下均实现了最低的相对误差（例如，在 7+7 设置下，均匀间距为 0.3231，而本方法为 0.3145）。
  • 在 FastMRI (R=6) 中，使用 VDS 前缀后接后验云设计的自适应方法实现了 NRMSE 为 0.0620、SSIM 为 0.9574 的结果。这优于强大的非学习基准（即 ACS + VD-Poisson 类掩模，其 NRMSE 为 0.0662，SSIM 为 0.9528），证明了测试时自适应可以优化即使是经过精心调优的静态掩模。

5. 重要性与主张

本文声称，生成式逆问题中的可靠性不仅仅是先验或求解器的属性，它从根本上取决于测量算子是否解决了由该先验引起的局部合理替代品。

• 解释力： 该框架为幻觉提供了一个几何解释：当算子未能观测到先验允许显著变化的切方向时，就会发生幻觉。
• 设计原则： 它提供了一个实用的、保守的设计原则用于结构化采集。通过在后验云上优化局部体积保持（通过对数行列式得分），可以在不需要 ground-truth 训练数据的情况下，选择能够减少歧义的测量。
• 主张的适度性： 作者明确指出，其主张是局部且方向性的，而非全局性的。对数行列式得分是针对最坏情况奇异值的实用替代指标，并不保证每一步贪婪步骤都能改善最坏情况界限。此外，其对比对象是针对非学习基准；论文承认，完全学习的采集策略（在大型数据集上训练）可能会实现更高的绝对性能，但本文回答的是另一个问题，即依赖于测试时的后验几何而非训练分布。

总之，这项工作架起了生成先验与测量设计之间的桥梁，认为对于给定的求解器，测量算子仍然是决定重建可靠性的“第一类决定因素”。