Image reconstruction algorithms in radio interferometry: from handcrafted to learned regularization denoisers

要約

プラグアンドプレイ法に触発された凸最適化と深層学習のインターフェースで、無線干渉法のための新しいクラスの反復画像再構成アルゴリズムを紹介します。
このアプローチは、デノイザーとしてディープニューラルネットワーク（DNN）をトレーニングすることによって以前の画像モデルを学習し、それを最適化アルゴリズムの手作りの近位正則化演算子に置き換えることで構成されます。
可視性データからの拡散および微弱な放射を伴う複雑な強度構造をイメージングするために提案されたAIRI（「無線干渉イメージングにおける正則化のためのAI」）フレームワークは、最適化の堅牢性と解釈可能性、およびネットワークの学習力と速度を継承します。
私たちのアプローチは3つのステップに依存しています。
まず、光強度画像から低ダイナミックレンジトレーニングデータベースを設計します。
次に、データの信号対雑音比から推測されるノイズレベルでDNNデノイザーをトレーニングします。
非拡張性の項で強化されたトレーニング損失を使用して、アルゴリズムの収束を保証し、べき乗によるオンザフライのデータベースダイナミックレンジの強化を含めます。
第3に、学習したデノイザーを前方後方最適化アルゴリズムに接続し、ノイズ除去ステップと勾配降下データ忠実度ステップを交互に繰り返す単純な反復構造を作成します。
CLEAN、SARAファミリーの最適化アルゴリズム、および可視性データから直接画像を再構成するようにトレーニングされたDNNに対してAIRIを検証しました。
シミュレーション結果は、AIRIがSARAおよびその制約のない前後ベースのバージョンuSARAとのイメージング品質で競争力がある一方で、大幅な加速を提供することを示しています。
CLEANは高速のままですが、品質は低くなります。
エンドツーエンドのDNNはさらに加速しますが、品質はAIRIよりはるかに低くなります。

要約(オリジナル)

We introduce a new class of iterative image reconstruction algorithms for radio interferometry, at the interface of convex optimization and deep learning, inspired by plug-and-play methods. The approach consists in learning a prior image model by training a deep neural network (DNN) as a denoiser, and substituting it for the handcrafted proximal regularization operator of an optimization algorithm. The proposed AIRI (“AI for Regularization in radio-interferometric Imaging”) framework, for imaging complex intensity structure with diffuse and faint emission from visibility data, inherits the robustness and interpretability of optimization, and the learning power and speed of networks. Our approach relies on three steps. Firstly, we design a low dynamic range training database from optical intensity images. Secondly, we train a DNN denoiser at a noise level inferred from the signal-to-noise ratio of the data. We use training losses enhanced with a nonexpansiveness term ensuring algorithm convergence, and including on-the-fly database dynamic range enhancement via exponentiation. Thirdly, we plug the learned denoiser into the forward-backward optimization algorithm, resulting in a simple iterative structure alternating a denoising step with a gradient-descent data-fidelity step. We have validated AIRI against CLEAN, optimization algorithms of the SARA family, and a DNN trained to reconstruct the image directly from visibility data. Simulation results show that AIRI is competitive in imaging quality with SARA and its unconstrained forward-backward-based version uSARA, while providing significant acceleration. CLEAN remains faster but offers lower quality. The end-to-end DNN offers further acceleration, but with far lower quality than AIRI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google