Kuvantamisjärjestelmien suunnittelu informaatioteorian avulla
UC Berkeley
Tutkijat BAIRista (Berkeley AI) ovat kehittäneet menetelmän, joka arvioi keskinäisinformaatiota kohinaisista mittauksista arvioidakseen ja optimoidakseen kuvantamisjärjestelmiä suoraan informaatiosisällön perusteella ilman dekooderiverkkoja. Heidän menetelmäänsä, nimeltään IDEAL, testattiin neljällä kuvantamisalueella (värikuvaus, radiotähtitiede, linssitön kuvantaminen, mikroskopia). Se ennustaa dekooderin suorituskykyä ja mahdollistaa järjestelmän suunnittelun gradienttinousun avulla informaatioestimaateista. IDEAL vastaa huippuluokan päästä päähän -optimointia vaatien samalla vähemmän muistia ja laskentatehoa.
Aikaisempia informaatioteoreettisia kuvantamismenetelmiä vaivasi kaksi ongelmaa: järjestelmien käsittely rajoittamattomina kanavina (epätarkat arviot) tai eksplisiittisten objektimallien vaatiminen (rajoitettu yleisyys). Berkeleyn tekoälytutkimusryhmä (BAIR) ratkaisi molemmat arvioimalla keskinäisinformation suoraan mittauksista hyödyntämällä kuvantamisjärjestelmien tunnettuja kohinamalleja. He jakavat keskinäisinformation kokonaismittausvaihteluun vähennettynä pelkän kohinan vaihtelulla; jälkimmäinen lasketaan analyyttisesti kohinafysiikan perusteella, kun taas edellinen opitaan datasta käyttämällä todennäköisyysmalleja (Gaussinen prosessi, täysi Gaussinen malli tai PixelCNN). Validointi värikuvauksessa, radiotähtitieteessä, linssittömässä kuvantamisessa ja mikroskopiassa osoitti, että korkeammat informaatioarviot ennustivat johdonmukaisesti parempaa suorituskykyä myöhemmissä rekonstruointitehtävissä. Tämän pohjalta he esittelevät Information-Driven Encoder Analysis Learning (IDEAL) -menetelmän, joka käyttää gradienttiaskeleita informaatioarvioille optimoidakseen kuvantamisjärjestelmän parametreja ilman dekooderiverkkoa. Värisuodinsuunnittelussa IDEAL vastasi päästä päähän -optimointia sekä informaation että rekonstruointilaadun osalta, samalla vaatien vähemmän muistia ja laskentatehoa. Menetelmäkehikon odotetaan laajentuvan kuvantamisen ulkopuolelle muihin tunnettujen kohinaominaisuuksien havainnointialueisiin.
Lähde: BAIR (Berkeley AI) —
Alkuperäinen