角差分成像中逆问题与主成分分析方法的对比：用于星周盘成像的 MUSTARD 算法

星周盘图像揭示了多种多样的形态特征。然而，从高对比度角差分成像（ADI）序列中恢复盘图像通常受到几何偏差的影响，导致对延展盘特征形态的推断不可靠。近来，提出了两类从 ADI 序列中恢复更鲁棒盘图像的方法：迭代主成分分析，以及逆问题方法。我们引入 MUSTARD，一种基于 IP 的新算法，旨在解决 ADI 序列中对旋转通量不变的问题——这是 ADI 观测策略固有的局限性，并讨论 IP 方法相对于基于 PCA 算法的优势。MUSTARD 模型在标准 IP 方法基础上加入对盘与散斑场的形态先验，以应对星周盘图像中旋转不变信号。我们在不同观测条件下获取的一组高对比度成像数据集上，在注入多种对比度级别的合成盘模型后，比较了 MUSTARD、I-PCA 与标准 PCA 的性能。MUSTARD 显著改善了对盘图像中旋转不变信号的恢复，尤其对良好观测条件下获取的数据集。然而，MUSTARD 模型被证明不能妥善处理不稳定的 ADI 数据集，且提供的探测极限比基于 PCA 的方法更浅。MUSTARD 有潜力通过引入先验来解决 ADI 观测固有的模糊性，从而提供更鲁棒的盘图像。然而，该先验的有效性部分受限于我们对恒星散斑晕形态与时间特性认识的不足。鉴于此局限，我们建议可通过施加基于参考星库的先验来改进算法。