[論文レビュー] Graph Laplacian assisted regularization method under noise level free heuristic and statistical stopping rule

Harshit Bajpai, Ankik Kumar Giri|arXiv (Cornell University)|Jan 19, 2026

Numerical methods in inverse problems被引用数 0

ひとこと要約

グラフラプラシアン正則化付き反復法を用いた線形および非線形の不適切逆問題に対し、ノイズレベルが既知でなくても動作し、繰り返し測定に基づく経験則と統計的停止規則を用いる。

ABSTRACT

In this work, we address the solution of both linear and nonlinear ill-posed inverse problems by developing a novel graph-based regularization framework, where the regularization term is formulated through an iteratively updated graph Laplacian. The proposed approach operates without prior knowledge of the noise level and employs two distinct stopping criteria namely, the heuristic rule and the statistical discrepancy principle. To facilitate the latter, we utilize averaged measurements derived from multiple repeated observations. We provide a detailed convergence analysis of the method in statistical prospective, establishing its stability and regularization properties under both stopping strategies. The algorithm begins with the computation of an initial reconstruction using any suitable techniques like Tikhonov regularization (Tik), filtered back projection (FBP) or total variation (TV), which is used as the foundation for generating the initial graph Laplacian. The reconstruction is made better step by step using an iterative process, during which the graph Laplacian is dynamically re-calibrated to reflect how the solution's structure is changing. Finally, we present numerical experiments on X-ray Computed Tomography (CT) and phase retrieval CT, demonstrating the effectiveness and robustness of the proposed method and comparing its reconstruction performance under both stopping rules.

研究の動機と目的

• ノイズレベルの知識なしで線形および非線形の不適切逆問題のためのグラフベース正則化フレームワークを開発する。
• ノイズ情報を必要としない二つの停止基準を導入する：ヒューリスティック規則と統計的乖離原理。
• 平均化された測定を活用してデータ駆動の安定化と収束解析を可能にする。
• 提案された停止戦略の下での収束性・安定性・正則化特性を提供する。
• X線CTおよび位相回復CTにおける数値実験でアプローチを実証する。

提案手法

• u_{k+1}^{(m)} = u_{k}^{(m)} - α_{k}^{(m)} F'(u_{k}^{(m)})^*(F(u_{k}^{(m)}) - 取^{(m)}) - β_{k}^{(m)} Δ_{u_{k}^{(m)}} u_{k}^{(m)} に初期推定値 u_{0}^{(m)} = Ψ_{θ}(取^{(m)}).
• 現在の反復からデータ依存のグラフラプラシアン Δ_{u} を構築して更新を正則化する。
• 複数の独立同分布測定 v_i の平均化を用いて経験データ 取^{(m)} を得、ノイズレベルの推定値 z_m を z_m^2 = (1/(m-1)) Σ_i ||v_i - 取^{(m)}||^2 で求める。
• ノイズレベルに依らない二つの停止規則を導入する： (i) ヒューリスティック規則 k_m^* が Ω(k, 取^{(m)}) = (k+ρ)||F(u_k^{(m)}) - 取^{(m)}||^2 を最小化、(ii) 停止条件が ||F(u_k^{(m)}) - 取^{(m)}|| ≤ (τ_m/√m) z_m を満たす統計的乖離原理、τ_m > 1。

実験結果

リサーチクエスチョン

• RQ1 ノイズレベルが不明な場合でもグラフベース正則化フレームワークは不適切逆問題に対処できるか？
• RQ2 ヒューリスティックおよび統計的停止規則は非線形設定で平均化測定を用いる場合に収束と安定性を保証するか？
• RQ3 MRI様CTおよび位相回復CT問題に対する反復グラフラプラシアン正則化は伝統的手法と比較してどうであるか？
• RQ4 提案された停止戦略下での収束特性と正則化効果はどうなるか？
• RQ5 反復毎にグラフラプラシアンを再校正することは再構成品質にどのように影響するか？

主な発見

• 提案された E-IRMGL+ Ψ 法は、繰り返し測定を用いた場合、両方の停止戦略下で収束特性と安定性を示す。
• アルゴリズムは解の構造変化を反映するように各反復で更新される適応的なグラフラプラシアンを組み込む。
• ノイズレベルフリーの停止規則を二つ分析する：ヒューリスティック規則と平均データに基づく統計的乖離原理。
• 理論的結果は単調性と残差制御を確立し、統計的規則下で有限終了を示し、データ誤差が等しい場合の収束を示す。
• X線CTおよび位相回復CTを用いた数値実験は、停止基準を跨いでもアプローチの有効性と頑健性を示す。