[论文解读] Hybrid Physical-Deep Learning Model for Astronomical Inverse Problems

François Lanusse, P. Melchior+1 more|arXiv (Cornell University)|Dec 9, 2019

Advanced Image Processing Techniques参考文献 20被引用 7

一句话总结

该论文提出了一种混合物理-深度学习模型，结合可微分的、基于物理的似然函数与基于像素自回归模型的深度生成先验，以解决天文学中的反问题。通过整合显式似然函数、物理约束和数据驱动先验，该方法实现了无需针对不同数据质量重新训练的可解释性、可微分且鲁棒的源分离，适用于成像数据。

ABSTRACT

We present a Bayesian machine learning architecture that combines a physically motivated parametrization and an analytic error model for the likelihood with a deep generative model providing a powerful data-driven prior for complex signals. This combination yields an interpretable and differentiable generative model, allows the incorporation of prior knowledge, and can be utilized for observations with different data quality without having to retrain the deep network. We demonstrate our approach with an example of astronomical source separation in current imaging data, yielding a physical and interpretable model of astronomical scenes.

研究动机与目标

• 解决黑箱深度学习在科学反问题中可解释性与泛化能力的局限性。
• 将物理知识（如噪声模型、非负性约束）整合进可微分的机器学习框架。
• 用基于真实天文数据训练的数据驱动深度生成先验，替代源分离中的启发式形态先验。
• 在不重新训练深度网络的前提下，实现对不同数据质量水平的鲁棒推理。
• 开发一种结合物理正向模型、显式似然函数与复杂深度先验的MAP推理框架。

提出的方法

• 将反问题表述为贝叶斯MAP估计：最大化给定信号的观测后验对数似然与信号的对数先验。
• 使用具有已知协方差的高斯噪声模型建模数据似然，确保可微分性与物理一致性。
• 利用像素自回归模型（如PixelCNN）提供显式、可计算且可微分的先验 $ p_{\theta}(\mathbf{x}) $，该先验在高保真模拟或观测数据上进行训练。
• 通过迭代优化方案中的近端算子，整合不可微分的物理约束（如非负性、通量正性）。
• 使用迭代近端梯度法优化组合损失函数 $ \mathcal{L} = \frac{1}{2}\|\mathbf{y}-\mathbf{A}\mathbf{x}\|_{\Sigma^{-1}}^2 - \log p_{\theta}(\mathbf{x}) + \sum R_i(\mathbf{x}) $。
• 复用现有代码库（如scarlet）与最先进去模糊化方法进行比较，同时将其中的分析先验替换为学习得到的深度先验。

实验结果

研究问题

• RQ1 能否将具有显式似然的深度生成模型与物理正向模型有效结合，以提升天文学反问题中的可解释性？
• RQ2 与启发式形态先验（如对称性、单调性）相比，数据驱动的深度先验在去模糊处理复杂、不规则星系时表现如何？
• RQ3 单个训练好的深度先验在不重新训练的情况下，能在多大程度上泛化至不同数据质量水平？
• RQ4 近端算子是否能在可微分优化框架中有效强制执行不可微分的物理约束（如非负性）？
• RQ5 与最先进方法（如scarlet）相比，该混合模型是否能降低残差与伪影？

主要发现

• 与基线的scarlet去模糊化器相比，所提方法在复杂、不规则星系场景下的源分离任务中显著降低了残差。
• 深度生成先验成功恢复了真实的星系形态，且未引入由刚性对称性或单调性约束导致的伪影。
• 由于深度先验与似然函数及正向模型的解耦，该模型在不同噪声水平和数据质量下均保持鲁棒性，无需重新训练。
• 使用近端算子有效实现了对物理约束（如非负性）的强制执行，同时保持了优化过程的可微分性。
• 定性比较显示，深度先延在邻近源影响区域中生成的去卷积分量比scarlet的分析先延更准确、更符合物理实际。
• 该方法为天文学反问题提供了一个可微分、可解释且可泛化的框架，具有在LSST时代数据处理中广泛应用的潜力。