[论文解读] When Does the Richardson-Lucy Deconvolution Converge ?

Hongguang Bi, G. Boêrner|arXiv (Cornell University)|Sep 29, 1994

Explainable Artificial Intelligence (XAI)被引用 8

一句话总结

本文提出了一种基于自展法的显著性检验方法，用于在Richardson-Lucy反卷积中确定最优停止点，以平衡模型拟合度与平滑性。研究发现，最大化似然性加先验熵并不能保证获得可接受的显著性水平，因此建议仅在显著改善显著性时，才使用RL结果来指导后续的最大熵重建。

ABSTRACT

( l = Richardson-Lucy) We propose a simulation-based bootstrap method to access global significance levels of deconvolution models in the l and other iterative restoration algorithms that converge locally. These significance levels allow one to check at each iterative step how good the model is and when iterations can be stopped. Adding more iterations in the deconvolution improves the fitting but is very slow at later time; while too much entropy or smoothness will be lost in the models. A good deconvolution model should firstly have a significance level as high as possible ($\ge$ 20\%), and secondly, be as smooth as possible. We have used two examples to illustrate how such models can be derived in practice. We point out that maximizing the sum of the likelihood of fitting and {\em a priori} entropy does not guarantee an acceptable significance level for the resulting model. If one's {\em a priori} knowledge is too poor, the model may not be able to fit the data at a reasonable significance level. Instead, a maximum-entropy-like iterative restoration algorithm can be performed later by acquiring {\em a priori} knowledge from the l restoration. However, this is necessary only when it does increase the levels significantly.

研究动机与目标

• 解决Richardson-Lucy反卷积及迭代重建算法中缺乏可靠停止准则的问题。
• 开发一种方法，用于在每次迭代时评估全局显著性水平，以指导收敛决策。
• 识别何时进一步迭代会因平滑性损失或熵过度增加而降低模型质量。
• 评估最大化似然性加先验熵是否能产生具有可接受显著性水平的模型。
• 提出一种两阶段方法：首先使用RL生成模型，然后仅在显著改善显著性时应用最大熵重建。

提出的方法

• 采用基于模拟的自展方法，估计Richardson-Lucy算法每次迭代步骤的全局显著性水平。
• 通过将观测到的拟合度与原假设下当前模型的模拟数据集结果进行比较，计算显著性水平。
• 该方法在每次迭代中同时评估模型的拟合优度（似然性）和平滑性（熵）。
• 模型选择基于两个标准：显著性水平 ≥ 20% 且平滑性最大。
• 若初始先验知识较差，该方法建议将最大熵正则化推迟至RL收敛之后再进行。
• 该方法以RL重建的模型为基础，对后续最大熵优化进行改进，但仅在显著性水平得到显著提升时才执行。

实验结果

研究问题

• RQ1 Richardson-Lucy反卷积在哪个迭代次数达到数据拟合度与模型平滑性之间的可靠平衡？
• RQ2 最大化似然性与先验熵之和是否能可靠地产生具有可接受全局显著性水平的模型？
• RQ3 当初始先验知识较弱时，两阶段重建过程（先RL，后最大熵）是否能改善显著性水平？
• RQ4 如何在迭代反卷积过程中估计全局显著性水平，以指导停止决策？
• RQ5 先验知识的质量在决定反卷积模型是否具有统计可接受性方面起什么作用？

主要发现

• 自展方法能够在Richardson-Lucy反卷积的每次迭代中可靠估计全局显著性水平。
• 显著性水平 ≥ 20% 的模型被视为可接受，应优先于似然性更高但显著性较低的模型。
• 最大化似然性加先验熵并不能保证获得具有足够显著性水平的模型，尤其在初始先验知识较差时更为明显。
• 两阶段方法——即利用RL结果指导后续最大熵重建——可改善显著性水平，但仅当改善程度显著时才有效。
• RL反卷积中的过度迭代会导致平滑性与熵的损失，从而降低模型质量，尽管拟合度有所提升。
• 本研究证明，基于显著性的停止准则在实践中优于纯粹基于似然性或熵的准则。