Entwicklung von Visualisierungssystemen basierend auf Informationstheorie

Das BAIR-Labor (Berkeley Artificial Intelligence) hat einen neuen Ansatz für das Design von Bildgebungssystemen vorgestellt, der auf der direkten Messung des Informationsgehalts basiert. In vielen Systemen – von Smartphones über MRT bis hin zu LiDAR – sind Messungen nicht für die menschliche Wahrnehmung ausgelegt, aber KI ist in der Lage, nützliche Informationen zu extrahieren. Traditionelle Qualitätsmetriken (Auflösung, Signal-Rausch-Verhältnis) bewerten Faktoren einzeln, während das Training neuronaler Netze für Rekonstruktion oder Klassifikation die Qualität von Hardware und Algorithmen vermischt. Die Autoren schlugen vor, die gegenseitige Information zwischen Objekt und Messung zu bewerten, wobei nur verrauschte Daten und ein bekanntes Rauschmodell (Poisson-Rauschen von Photonen und Gaußsches Ausleserauschen) verwendet werden. Dies ermöglicht eine Zerlegung der Schätzung in zwei Komponenten: die Entropie der Messungen (geschätzt durch ein probabilistisches Modell, z. B. einen Transformer) und die bedingte Entropie (analytisch berechnet). Die Methode wurde in vier Bereichen getestet: Farbfotografie (Auswahl des Bayer-Filters), Radioastronomie (Auswahl der Teleskopstandorte), linsenlose Bildgebung und Mikroskopie. In allen Fällen korrelierte die Informationsschätzung mit der Rekonstruktionsqualität des neuronalen Netzes. Auf Grundlage dieses Ansatzes wurde die Methode IDEAL (Information-Driven Encoder Analysis Learning) entwickelt, die die Parameter des Bildgebungssystems (z. B. den Farbfilter) mittels Gradientenaufstieg auf Basis der Informationsschätzung optimiert, ohne dass ein Decoder trainiert werden muss. Die Ergebnisse zeigten, dass IDEAL die gleiche Qualität wie End-to-End-Training erreicht, jedoch mit geringerem Speicher- und Rechenaufwand. Nach Ansicht der Autoren kann die Methode nicht nur in der Bildgebung, sondern auch bei anderen Sensortypen – elektronischen, biologischen, chemischen – angewendet werden.