Авторы разработали итеративный алгоритм, который строит апостериорное распределение моделей сигнала в пространстве ST-статистик. Это позволяет получать не единственное решение, а целое семейство карт, статистически совместимых с наблюдением. Для проверки метода использовались карты плотности из симуляций, к которым добавлялись шум и маски, имитирующие реальные наблюдательные ограничения.

Результаты показали, что даже при единственном наблюдении и отсутствии внешних моделей новый подход позволяет восстанавливать не только визуальные, но и статистические характеристики исходного поля: спектр мощности, распределение значений, топологические свойства. Более того, на следующем этапе можно обучить нейросеть для восстановления карты в пиксельном пространстве.

Авторы подчёркивают, что их методика особенно полезна для анализа негауссовских сигналов, где традиционные подходы не работают. Она открывает путь к новым приложениям в астрофизике и космологии, где часто приходится иметь дело с уникальными или плохо изученными объектами.

Предложенный байесовский подход позволяет решать сложные обратные задачи даже в самых неблагоприятных условиях — когда данных мало, а априорных знаний практически нет. Это важный шаг к более точному и универсальному анализу космических изображений.