[論文レビュー] Rethinking the modeling of the instrumental response of telescopes with a differentiable optical model

T.I Liaudat, Jean‐Luc Starck+2 more|arXiv (Cornell University)|Nov 24, 2021

Adaptive optics and wavefront sensing被引用数 4

ひとこと要約

本論文は、学習空間をピクセルから波面に移行させることで、校正データを必要とせず物理的に解釈可能な高精度なPSF再構成を可能にする微分可能光学前方モデルを導入する。この手法は、現在の最先端手法と比較して、ネイティブ解像度では再構成誤差が5倍低減され、3倍スーパーレゾリューションでは10倍以上改善される。また、ノイズの多いバンド幅広い観測から、色収差の変動を正確にモデル化できる。

ABSTRACT

We propose a paradigm shift in the data-driven modeling of the instrumental response field of telescopes. By adding a differentiable optical forward model into the modeling framework, we change the data-driven modeling space from the pixels to the wavefront. This allows to transfer a great deal of complexity from the instrumental response into the forward model while being able to adapt to the observations, remaining data-driven. Our framework allows a way forward to building powerful models that are physically motivated, interpretable, and that do not require special calibration data. We show that for a simplified setting of a space telescope, this framework represents a real performance breakthrough compared to existing data-driven approaches with reconstruction errors decreasing 5 fold at observation resolution and more than 10 fold for a 3x super-resolution. We successfully model chromatic variations of the instrument's response only using noisy broad-band in-focus observations.

研究の動機と目的

• 現在のデータ駆動型PSFモデリング手法に見られる限界、特に厳密な誤差予算を満たせず、色収差の変動をモデル化できない点を是正すること。
• ピクセルベースのモデリングから波面ベースのモデリングに移行することで、学習フレームワークに微分可能光学前方モデルを統合するパラダイム転換を提案すること。
• 特別な校正データを必要とせず、正確で解釈可能かつ物理的に妥当な機器応答モデリングを可能にすること。
• 焦点が合った観測データのみを用いて、高精度なPSF再構成（スーパーレゾリューションおよび波長依存変動を含む）が可能であることを実証すること。

提案手法

• 波面から観測PSFへマッピングする微分可能光学前方モデルを導入し、回折やパスバンド統合を含む物理的劣化プロセスを経由する。
• 星の観測から波面を推定する逆問題としてPSFモデリングタスクを定式化し、前方モデルを微分可能とすることでエンドツーエンド最適化を可能にする。
• 低次元のゼルヒケベース波面表現とデータ駆動型ニューラルネットワークを組み合わせ、ノイズの多い不十分にサンプリングされた観測から残差補正を学習する。
• 自動微分を用いてエンドツーエンドでモデルを学習し、波面とデータ駆動型特徴量を同時に最適化して再構成誤差を最小化する。
• スペクトルエネルギー分布（SED）重み付けを組み込み、機器のパスバンド全体にわたる色収差PSF変動をモデル化する。
• シミュレートされた宇宙望遠鏡データを用いてモデルを訓練・評価し、RCA や PSFEx といった最先端手法と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 微分可能光学前方モデルを導入することで、完全にデータ駆動型の手法と比較して、データ駆動型PSFモデリングの精度が向上するか？
• RQ2 焦点が合った観測データのみを用いて、オフフォーカスの校正データがなくてもPSFの色収差変動をモデル化できるか？
• RQ3 スーパーレゾリューション性能および未観測位置への一般化性能において、波面ベースモデリングはピクセルベースモデリングに比べてどのように優れるか？
• RQ4 完全なモードパラメトリックモデルに比べ、Zernikeモードの少数セットにデータ駆動型特徴量を組み合わせたモデルが、どの程度優れた性能を示せるか？

主な発見

• 提案フレームワークは、RCAモデルと比較してネイティブ解像度では再構成誤差を5倍低減し、3倍スーパーレゾリューションでは10倍以上改善した。
• 波長全域で平均相対RMSEが3%に留まり、バンド幅広い観測から色収差PSF変動を正確にモデル化できることを示した。
• 15個のZernikeモードのみを用いても、データ駆動型特徴量を組み合わせたモデル（モデルiii）は、40モードでデータ駆動型成分なしのモデルを上回り、学習項の有効性を示した。
• 微分可能前方モデルの導入により、RCA や PSFEx といった完全にデータ駆動型のモデルでは達成できない、顕著なスーパーレゾリューション性能が実現された。
• 本フレームワークは波長依存PSF変動を成功裏にモデル化でき、RCA や PSFEx といった既存のデータ駆動型モデルには欠落している能力を有する。
• 追加の校正を必要とせず、限られた訓練データでも良好な一般化性能を示しており、強力な一般化能力を有することが実証された。