Noisier2Inverse を用いた写真音響再構成における自己教師あり角方向反ぼかし

arXiv:2604.15681v1 発表型：new 要旨：写真音響断層法（PAT）は、光学コントラストと超音波分解能の両方の補完的な強みを兼ね備えた新興イメージング模态である。中心となる課題は、測定された音響信号を用いた初期圧力分布の復元である。理想的な点状または線状検出器の適用下では、フーリエ法、フィルタされた逆投影法、時間逆転法など、いくつかの効率的で高速な再構成アルゴリズムが存在する。しかし、これらの手法を有限サイズ検出器で取得されたデータに適用すると、系统的にぼやけた画像が得られる。よりシャープな画像を得るために有限検出器効果を補償することは可能であるが、監督学習アプローチは一般的に地上真実画像を必要とし、実際には入手できないことがある。我々は、地上真実データを不要にしながら有限サイズ検出器の影響に対処する Noisier2Inverse に基づく自己教師あり再構成手法を提案する。私のアプローチは、ノイズのあった測定値に直接作用し、地上真実なしで高品質な PAT 画像を復元することを学び、その鍵となる要素は次の通りである：（i）PAT 特有のモデリングで問題を角方向反ぼかしとして書き換え、（ii）既知の角方向点拡散関数を利用する極座標領域における Noisier2Inverse 形式、および（iii）新たな統計的に確立された早期停止規則である。実験では、提案手法は監督データを不使用する代替手法に常に優れ、かつ監督ベンチマークに近い性能を示しつつ、有限サイズ検出器を実際の取得で使用する実用性を持続している。

arXiv:2604.15681v1 Announce Type: new Abstract: Photoacoustic tomography (PAT) is an emerging imaging modality that combines the complementary strengths of optical contrast and ultrasonic resolution. A central task is image reconstruction, where measured acoustic signals are used to recover the initial pressure distribution. For ideal point-like or line-like detectors, several efficient and fast reconstruction algorithms exist, including Fourier methods, filtered backprojection, and time reversal. However, when applied to data acquired with finite-size detectors, these methods yield systematically blurred images. Although sharper images can be obtained by compensating for finite-detector effects, supervised learning approaches typically require ground-truth images that may not be available in practice. We propose a self-supervised reconstruction method based on Noisier2Inverse that addresses finite-size detector effects without requiring ground-truth data. Our approach operates directly on noisy measurements and learns to recover high-quality PAT images in a ground-truth-free manner. Its key components are: (i) PAT-specific modeling that recasts the problem as angular deblurring; (ii) a Noisier2Inverse formulation in the polar domain that leverages the known angular point-spread function; and (iii) a novel, statistically grounded early-stopping rule. In experiments, the proposed method consistently outperforms alternative approaches that do not use supervised data and achieves performance close to supervised benchmarks, while remaining practical for real acquisitions with finite-size detectors.