[論文レビュー] MORESANE: MOdel REconstruction by Synthesis-ANalysis Estimators. A sparse deconvolution algorithm for radio interferometric imaging

Arwa Dabbech, C. Ferrari+4 more|arXiv (Cornell University)|Dec 17, 2014

Radio Astronomy Observations and Technology参考文献 50被引用数 42

ひとこと要約

MORESANE は、複雑なスカイモデル、特に微弱な拡散源とコンactな対象を再構成するために、合成および解析スパarsity事前分布を組み合わせた、新しいスパースデコンボリューションアルゴリズムである。CLEAN や IUWT-ベースの CS と比較して、忠実度、ダイナミックレンジ、パラメータチューニングへのロバスト性において優れている。特に、現実的な MeerKAT シミュレーションにおいて、拡散的および拡張された構造の回復において顕著な性能を示す。

ABSTRACT

(arXiv abridged abstract) The current years are seeing huge developments of radio telescopes and a tremendous increase of their capabilities. Such systems make mandatory the design of more sophisticated techniques not only for transporting, storing and processing this new generation of radio interferometric data, but also for restoring the astrophysical information contained in such data. In this paper we present a new radio deconvolution algorithm named MORESANE and its application to fully realistic simulated data of MeerKAT, one of the SKA precursors. This method has been designed for the difficult case of restoring diffuse astronomical sources which are faint in brightness, complex in morphology and possibly buried in the dirty beam's side lobes of bright radio sources in the field. MORESANE is a greedy algorithm which combines complementary types of sparse recovery methods in order to reconstruct the most appropriate sky model from observed radio visibilities. A synthesis approach is used for the reconstruction of images, in which the synthesis atoms representing the unknown sources are learned using analysis priors. We apply this new deconvolution method to fully realistic simulations of radio observations of a galaxy cluster and of an HII region in M31. We show that MORESANE is able to efficiently reconstruct images composed from a wide variety of sources from radio interferometric data. Comparisons with other available algorithms, which include multi-scale CLEAN and the recently proposed methods by Li et al. (2011) and Carrillo et al. (2012), indicate that MORESANE provides competitive results in terms of both total flux/surface brightness conservation and fidelity of the reconstructed model. MORESANE seems particularly well suited for the recovery of diffuse and extended sources, as well as bright and compact radio sources known to be hosted in galaxy clusters.

研究の動機と目的

• 高ダイナミックレンジ、複雑な形状、微弱な拡散放射を有する電波干渉計データのデコンボリューションの課題に対処すること。
• 明るい源の sidelobe の中にある拡散的および拡張的電波源を効果的に再構成する手法を開発すること。
• 合成および解析スパarsity事前分布を組み合わせることで、モデルの忠実度とロバスト性を向上させること。
• 次世代電波望遠鏡（MeerKAT や SKA など）からの大規模で現実的なデータに適した、パラメータに依存しないアルゴリズムを提供すること。
• 銀河団や HII 領域における、内因性の電波放射やその他の微弱で複雑な構造の正確な回復を可能にすること。

提案手法

• MORESANE は、可視性からモデルを再構成するために、合成および解析スパarsity事前分布を統合したグリーディー・アルゴリズムを採用している。
• 未知の源を表現するために学習された合成アトム（synthesis atoms）を用い、これは解析事前分布（例えば、アンデシメッド・ウェーブレット変換（a trous wavelet transform））から導出される。
• 反復的にスカイモデルを精緻化するために、合成（画像再構成）と解析（スパarsityの強制）のステップを交互に実行する。
• 合計フラックスと表面輝度を保存するように設計されており、再構成モデルにおけるエネルギー保存を保証する。
• MATLAB で実装されており、GPU 加速を備えた Python 版（PyMORESANE）も GPL2 の下で公開されている。
• 銀河団および M31 の HII 領域の完全に現実的な MeerKAT シミュレーションを用いてテストされ、CLEAN、マルチスケール CLEAN、および IUWT-CS と比較されている。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドな合成・解析スパarsityアプローチは、従来の CLEAN や既存の CS ベース手法に比べ、複雑な電波スカイモデルの再構成において優れた性能を示せるか？
• RQ2 明るい源とビームの sidelobe が存在する中で、MORESANE は微弱な拡散的電波放射をどれほど効果的に回復できるか？
• RQ3 他のスパース回復手法と比較して、MORESANE はパラメータの微調整を必要とするか？
• RQ4 現実的な観測条件下において、MORESANE はフラックス保存およびダイナミックレンジをどれほど効果的に保持できるか？
• RQ5 MORESANE は、複雑な天文学的領域において、コンパクトな源と拡張された源の両方を効果的に再構成できるか？

主な発見

• MORESANE は、現実的な MeerKAT シミュレーションにおいて、マルチスケール CLEAN や IUWT-ベースの CS と比較して、フラックスおよび表面輝度の保存において競争力のある結果を達成し、忠実度とダイナミックレンジにおいて優れた性能を示した。
• 銀河団のシミュレーションにおいて、MORESANE は明るい源の sidelobe の中にあるにもかかわらず、拡散的銀河団内電波放射およびテイルを持つ電波銀河を効果的に回復した。
• パラメータ設定に対してロバストであることが示され、IUWT-CS とは異なり、微調整を必要としなかった。
• M31 のシミュレーションにおいては、トイモデルでは SARA がダイナミックレンジおよび忠実度で MORESANE を上回ったが、現実のデータ（他の手法で高い誤検出率を示す）においては、MORESANE がより優れた性能を示した。
• GPU 加速を備えたオープンソースの Python 実装（PyMORESANE）により、大規模データセットの効率的処理が可能となり、標準ツールと同等の実行時間となった。
• 残差画像および誤差画像の分析結果から、MORESANE は競合手法と比較して、より低い残差とより少ない偽の成分を生成することが確認された。