[论文解读] Numerical Optimization Algorithm of Wavefront Phase Retrieval from Multiple Measurements

Ji Li, Tie Zhou|arXiv (Cornell University)|Jul 7, 2016

Advanced X-ray Imaging Techniques参考文献 31被引用 3

一句话总结

本文提出了一种基于最大似然（MLP）和最小二乘（LS）模型的非凸目标函数的数值优化框架，用于从多个强度测量中进行波前相位重构。该研究开发了复变量优化技术，结果表明LS模型由于其更优的Hessian特征值聚类性能，优于MLP模型；在模拟实验中，LBFGS算法展现出最高的效率和鲁棒性。

ABSTRACT

Wavefront phase retrieval from a set of intensity measurements can be formulated as an optimization problem. Two nonconvex objective models (MLP and its variants LS) based on maximum likelihood estimation are investigated. We develop numerical optimization algorithms for real-valued function of complex variables and apply them to solve the wavefront phase retrieval problem efficiently. Numerical simulation is given with application to three wavefront phase retrieval problems. LS model shows better numerical performances than MLP model. An explanation for this is that the distribution of the eigenvalues of Hessian matrix of LS model is more clustered than MLP model. LBFGS shows more robust performance and takes fewer calculations than other line search methods.

研究动机与目标

• 解决自适应光学与天文学中波前相位重构的病态性与非唯一性问题。
• 利用多组强度测量（相位分集）将相位重构问题建模为非凸优化问题。
• 开发适用于复变量实值函数的数值优化算法，以求解相位重构问题。
• 比较最大似然（MLP）与最小二乘（LS）模型在收敛性与鲁棒性方面的性能表现。
• 评估各种线搜索方法（尤其是LBFGS）在求解该优化问题时的效率与稳定性。

提出的方法

• 构建两个非凸目标函数：基于泊松似然估计的MLP模型与作为高斯近似的LS模型。
• 利用复变函数微积分推导两种模型的梯度与Hessian算子，从而实现在复数域中的高效优化。
• 实现适用于复变量实值函数的线搜索方法，直接在复数参数上操作。
• 应用LBFGS算法最小化目标函数，利用有限内存Hessian近似实现可扩展性。
• 使用离散傅里叶变换建模波前强度测量，并定义前向算子F(u)。
• 引入一个微小的正则化参数ε²以稳定Hessian计算，并避免迭代更新中的除零错误。

实验结果

研究问题

• RQ1 在波前相位重构中，MLP与LS模型在数值性能与收敛速度方面有何差异？
• RQ2 Hessian特征值分布对相位重构算法收敛行为有何影响？
• RQ3 在该场景下，LBFGS或其他线搜索方法中，哪一种展现出更优的鲁棒性与计算效率？
• RQ4 LS模型能否作为更符合统计原理的MLP模型的有效且计算高效的近似？
• RQ5 使用多组测量（相位分集）如何提升相位重构解的唯一性与稳定性？

主要发现

• 在数值模拟中，LS模型始终优于MLP模型，表现出更快的收敛速度与更高的精度。
• LS模型的Hessian矩阵具有比MLP更集中的特征值分布，这有助于其更优的收敛行为。
• LBFGS展现出最强的鲁棒性，所需迭代次数与函数评估次数均少于其他线搜索方法。
• LS模型在保持高重建保真度的同时，计算效率显著高于MLP模型。
• 使用多组测量（相位分集）可实现波前相位的唯一恢复，有效缓解单强度测量固有的非唯一性问题。
• 针对复数函数推导出的梯度与Hessian算子，对复数域中精确高效的优化至关重要。