基于去噪分数匹配的分数驱动理想观察者近似用于信号完全已知检测任务

贝叶斯理想观察者（IO）为二分类检测任务的任务性能设定了理论上限。然而，IO检验统计量的解析计算通常是难以处理的。基于 Markov-chain Monte Carlo（MCMC）方法的数值方法，包括其近期基于深度生成模型的扩展，通常需要对每幅测试图像进行大量后验采样。也有研究采用监督学习来近似 IO 性能。然而，这类方法通常针对特定的检测任务和信号进行训练，当任务或信号变化时可能需要重新训练。分数函数定义为对数概率密度的梯度，它编码了数据分布的局部几何结构，是现代基于分数的生成建模中的一个基本量。本文将 IO 检验统计量重新表述为分数函数的形式，并提出一种基于分数的理想观察者（SIO）。所提出的 SIO 使用一个仅在无信号图像上训练的去噪卷积神经网络来估计无信号分数函数。训练完成后，得到的分数模型可用于近似涉及任意加性信号的检测任务中的 IO 检验统计量，而无需对每幅图像进行后验采样或针对特定信号重新训练。数值研究考虑了一个采用随机 lumpy-background 模型的 SKE 检测任务。结果表明，所提出的 SIO 能够较为接近地近似 IO 性能。