[論文レビュー] Strong-Lensing Source Reconstruction with Denoising Diffusion Restoration Models

Konstantin Karchev, Noemi Anau Montel+2 more|arXiv (Cornell University)|Nov 8, 2022

Sparse and Compressive Sensing Techniques被引用数 6

ひとこと要約

本稿では、ノイズの多いレンズ効果観測を条件として、ノイズ除去拡散修復モデル（DDRM）を用いた強引力レンズの新規源再構成手法を提案する。事前に学習されたAstroDDPM生成モデルを活用することで、DDRMは低ノイズ観測と類似した後方分布に類似したサンプルを生成し、高ノイズ下でも適切なばらつきを示す。これはベイズ的後方分布の性質を忠実に再現していることを示している。

ABSTRACT

Analysis of galaxy--galaxy strong lensing systems is strongly dependent on any prior assumptions made about the appearance of the source. Here we present a method of imposing a data-driven prior / regularisation for source galaxies based on denoising diffusion probabilistic models (DDPMs). We use a pre-trained model for galaxy images, AstroDDPM, and a chain of conditional reconstruction steps called denoising diffusion reconstruction model (DDRM) to obtain samples consistent both with the noisy observation and with the distribution of training data for AstroDDPM. We show that these samples have the qualitative properties associated with the posterior for the source model: in a low-to-medium noise scenario they closely resemble the observation, while reconstructions from uncertain data show greater variability, consistent with the distribution encoded in the generative model used as prior.

研究の動機と目的

• 強い重力レンズにおける源再構成の課題に取り組むこと。ここでは、事前仮定が結果に強く影響を与える。
• パラメトリックモデルや基底関数モデルに依存しない、データ駆動型の源形状事前分布を構築すること。
• 深層生成モデルを用いて、さまざまなノイズ条件においても頑健で高精度な源再構成を実現すること。
• 本手法が真のベイズ的後方分布に類似した性質を示すサンプルを生成することを検証すること。
• 暗黒物質の小構造検出のためのシミュレーションベース推論において、このような再構成をトレーニングデータとして利用する基盤を築くこと。

提案手法

• 銀河画像で事前に学習されたノイズ除去拡散確率的モデル（DDPM）、AstroDDPMを用い、源形状のデータ駆動型事前分布として活用する。
• 観測されたレンズ効果画像と事前分布の両方に整合する源再構成を生成するため、条件付きサンプリング手順であるノイズ除去拡散修復モデル（DDRM）を適用する。
• ノイズスケジュールと逆方向のノイズ除去プロセスを採用。ニューラルネットワークがガウス的ノイズ除去ステップの平均を、レンズ効果観測を条件として予測する。
• 理論的保証に従い、Kawarらの結果に基づき、DDRMのハイパーパrameter η = 1 を設定し、適切な後方分布近似を保証する。
• 1観測あたり100個の後方サンプルをNVIDIA A-100 GPUを用いて生成。再構成の忠実度は残差と視覚的比較により評価。
• 再構成された源を画像平面に射影するための線形レンズ作用素Hを用い、ピクセルレベルの積分を考慮して観測と比較する。

実験結果

リサーチクエスチョン

• RQ1 事前に学習された拡散モデルを、アーキテクチャの最小限の変更で、強い重力レンズにおける源再構成に効果的に適応できるか？
• RQ2 DDRMから生成されたサンプルが、低ノイズ下では低ばらつき、高ノイズ下では多様性が増すといった真のベイズ的後方分布の定性的特徴を示すか？
• RQ3 低ノイズおよび高ノイズの状態において、再構成が真の源とどれほど一致するか、特に形状と輝度の一貫性の観点から評価するか？
• RQ4 本手法が、観測に忠実でありながら、データの不確実性を反映した十分な多様性を持つ再構成を生成できるか？
• RQ5 本アプローチは、暗黒物質の小構造検出などの下流の推論タスクのトレーニングデータ生成に適しているか？

主な発見

• 中程度のノイズ条件（ピークS/N ≈ 30）では、平均再構成が真の源とよく一致しており、標準化された残差は単位正規分布に従い、系統的バイアスは認められない。
• 高ノイズ条件（S/N ≈ 6）では、後方サンプルに顕著な形のばらつきが見られつつも、観測と整合的であり、適切な不確実性評価がなされていることが示された。
• 再構成は物理的に妥当であり、サンプルはAstroDDPM事前分布に一致するサイズ、明るさ、形状の範囲を示している。
• 観測との平均再構成の残差は、概ね正規分布に従っており、モデルが系統的誤差を導入していないことを確認した。
• 本手法は、たった約1000ピクセルからも高精度な源再構成を達成しており、レンズモデルにおける複数の射影とピクセルレベルの積分を活用している。
• ノイズの変動に対して頑健であることが示され、信号対ノイズ比に応じて、データ駆動型から観測駆動型の行動に段階的に移行する再構成が得られた。