[论文解读] 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 6

一句话总结

本文提出了一种新颖的强引力透镜源重建方法，利用去噪扩散恢复模型（DDRM）对噪声观测的透镜图像进行条件建模。通过利用预训练的AstroDDPM生成模型，DDRM生成的后验类似样本能紧密匹配低噪声观测结果，同时在高噪声条件下表现出适当的可变性，验证了其对贝叶斯后验特性的保真度。

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.

研究动机与目标

• 为解决强引力透镜中源重建的挑战，其中先验假设对结果影响显著。
• 开发一种数据驱动的源形态先验，避免依赖参数化或基函数模型。
• 利用深度生成模型在不同噪声条件下实现稳健且高保真的源重建。
• 验证该方法生成的样本是否具备类似真实贝叶斯后验分布的特性。
• 为基于模拟的推断中暗物质亚结构检测任务，奠定使用此类重建结果作为训练数据的基础。

提出的方法

• 利用在星系图像上预训练的去噪扩散概率模型（DDPM）AstroDDPM，作为源形态的数据驱动先验。
• 采用一种称为去噪扩散恢复模型（DDRM）的条件采样方法，生成与观测到的透镜图像和先验分布均一致的源重建结果。
• 采用噪声调度和反向去噪过程，其中神经网络基于透镜观测结果预测高斯去噪步骤的均值。
• 根据Kawar等人提出的理论保证，将DDRM超参数η设置为1，以确保后验近似的正确性。
• 每组观测执行100次后验采样，使用NVIDIA A-100 GPU，通过残差和视觉对比评估重建保真度。
• 使用线性透镜化算子H将重建的源投影到图像平面，以与观测结果进行比较，同时考虑像素级积分效应。

实验结果

研究问题

• RQ1 预训练的扩散模型能否在极少架构修改的前提下，有效适应强引力透镜中的源重建任务？
• RQ2 DDRM生成的样本是否表现出真实贝叶斯后验的定性特征，例如在低噪声下可变性低、在高噪声下多样性增加？
• RQ3 在低噪声和高噪声条件下，重建结果与真实源的匹配程度如何，特别是在形态和流量一致性方面？
• RQ4 该方法能否生成既忠实于观测又具备足够多样性的重建结果，以反映数据中的不确定性？
• RQ5 该方法是否适合用于生成下游推断任务（如暗物质亚结构检测）的训练数据？

主要发现

• 在中等噪声条件（峰值信噪比≈30）下，平均重建结果与真实源高度一致，标准化残差服从单位正态分布，且无系统性偏差。
• 在高噪声条件下（信噪比≈6），后验样本表现出显著的形态可变性，同时仍与观测结果一致，表明不确定性量化得当。
• 重建结果保持物理合理性，样本在大小、亮度和形态上展现出与AstroDDPM先验一致的多样性。
• 与观测相比，平均重建结果的残差近似服从正态分布，证实模型未引入系统性误差。
• 该方法仅需约1000个像素即可实现高保真源重建，通过在透镜模型中整合多个投影和像素级积分实现。
• 该方法对噪声变化具有鲁棒性，重建行为随信噪比变化，从数据驱动转向观测驱动。