The R2D2 deep neural network series paradigm for fast precision imaging in radio astronomy

要約

電波干渉 (RI) イメージングでは、大量のデータから高解像度、高ダイナミック レンジの逆問題を解決する必要があります。
最適化理論に基づいた最近の画像再構成技術は、CLEAN の能力をはるかに上回る、画像精度に関して顕著な能力を実証しました。
これらの範囲は、SARA ファミリなどの手作りの正則化演算子によって推進される高度な近接アルゴリズムから、AIRI などの学習された正則化デノイザーによって推進されるハイブリッド プラグ アンド プレイ (PnP) アルゴリズムまで多岐にわたります。
ただし、最適化と PnP 構造は反復性が高いため、将来の機器で予想される極端なデータ サイズを処理する能力が妨げられます。
このスケーラビリティの課題に対処するために、「ハイ ダイナミック レンジ イメージング用の Residual-to-Residual DNN シリーズ」と呼ばれる新しい深層学習アプローチを導入します。
R2D2 の再構成は一連の残差画像として形成され、前の反復の画像推定と関連するデータ残差を入力として取得するディープ ニューラル ネットワーク (DNN) の出力として反復的に推定されます。
したがって、PnP アルゴリズムと、CLEAN を支えるマッチング追跡アルゴリズムの学習済みバージョンとの間のハイブリッド構造を採用しています。
DNN アーキテクチャによって区別される複数の具体化を特徴とする、私たちのアプローチの包括的な研究を紹介します。
望遠鏡特有のアプローチを対象とした、その訓練プロセスの詳細な説明を提供します。
高精度を実現する R2D2 の機能は、VLA (Very Large Array) を使用したさまざまな画像および観察設定にわたるシミュレーションで実証されます。
その再構成速度も実証されており、R2D2 はダイナミック レンジ 100000 までのデータ残差をクリーンアップするのに必要な反復回数がわずか数回であるため、高速高精度イメージングへの扉を開きます。
R2D2 コードは、GitHub の BASPLib ライブラリで入手できます。

要約(オリジナル)

Radio-interferometric (RI) imaging entails solving high-resolution high-dynamic range inverse problems from large data volumes. Recent image reconstruction techniques grounded in optimization theory have demonstrated remarkable capability for imaging precision, well beyond CLEAN’s capability. These range from advanced proximal algorithms propelled by handcrafted regularization operators, such as the SARA family, to hybrid plug-and-play (PnP) algorithms propelled by learned regularization denoisers, such as AIRI. Optimization and PnP structures are however highly iterative, which hinders their ability to handle the extreme data sizes expected from future instruments. To address this scalability challenge, we introduce a novel deep learning approach, dubbed ‘Residual-to-Residual DNN series for high-Dynamic range imaging’. R2D2’s reconstruction is formed as a series of residual images, iteratively estimated as outputs of Deep Neural Networks (DNNs) taking the previous iteration’s image estimate and associated data residual as inputs. It thus takes a hybrid structure between a PnP algorithm and a learned version of the matching pursuit algorithm that underpins CLEAN. We present a comprehensive study of our approach, featuring its multiple incarnations distinguished by their DNN architectures. We provide a detailed description of its training process, targeting a telescope-specific approach. R2D2’s capability to deliver high precision is demonstrated in simulation, across a variety of image and observation settings using the Very Large Array (VLA). Its reconstruction speed is also demonstrated: with only few iterations required to clean data residuals at dynamic ranges up to 100000, R2D2 opens the door to fast precision imaging. R2D2 codes are available in the BASPLib library on GitHub.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google