Bildgebungssysteme mit Informationstheorie entwerfen

Zwei Probleme beeinträchtigten bisherige informationstheoretische Ansätze zur Bildgebung: die Behandlung von Systemen als unbegrenzte Kanäle (ungenauen Schätzungen) oder die Notwendigkeit expliziter Objektmodelle (eingeschränkte Allgemeingültigkeit). Das Forschungsteam von Berkeley AI löste beide Probleme, indem es die gegenseitige Information direkt aus Messungen schätzte und dabei die bekannten Rauschmodelle von Bildgebungssystemen ausnutzte. Sie zerlegen die gegenseitige Information in die totale Messvariation minus die rein rauschbedingte Variation; letztere wird analytisch aus der Rauschphysik berechnet, während erstere aus Daten mithilfe probabilistischer Modelle (Gauß-Prozess, vollständige Gauß-Verteilung oder PixelCNN) gelernt wird. Die Validierung über Farbfotografie, Radioastronomie, linsenlose Bildgebung und Mikroskopie hinweg zeigte, dass höhere Informationsschätzungen konsistent eine bessere Leistung bei nachgelagerten Rekonstruktionsaufgaben vorhersagten. Darauf aufbauend führen sie das Information-Driven Encoder Analysis Learning (IDEAL) ein, das einen Gradientenanstieg bei Informationsschätzungen nutzt, um Bildgebungssystemparameter zu optimieren – ohne ein Decoder-Netzwerk. Im Farfilterdesign erreichte IDEAL sowohl bei der Information als auch bei der Rekonstruktionsqualität die gleiche Leistung wie eine End-to-End-Optimierung, benötigte dabei jedoch weniger Speicher und Rechenleistung. Das Framework verspricht, über die Bildgebung hinaus auf andere Sensorbereiche mit bekannten Rauscheigenschaften ausgeweitet zu werden.