Conception de systèmes d'imagerie à l'aide de la théorie de l'information

Deux problèmes ont entravé les précédentes approches théoriques de l'information pour l'imagerie : traiter les systèmes comme des canaux sans contrainte (estimations inexactes) ou nécessiter des modèles d'objets explicites (généralité limitée). L'équipe de recherche en IA de Berkeley a résolu les deux en estimant directement l'information mutuelle à partir des mesures, en exploitant les modèles de bruit connus des systèmes d'imagerie. Ils décomposent l'information mutuelle en variation totale de mesure moins la variation due uniquement au bruit ; cette dernière est calculée analytiquement à partir de la physique du bruit, tandis que la première est apprise à partir des données à l'aide de modèles probabilistes (processus gaussien, gaussien complet ou PixelCNN). La validation à travers la photographie couleur, la radioastronomie, l'imagerie sans lentille et la microscopie a montré que des estimations d'information plus élevées prédisaient systématiquement de meilleures performances dans les tâches de reconstruction en aval. Sur cette base, ils introduisent l'Apprentissage par Analyse d'Encodeur Piloté par l'Information (Information-Driven Encoder Analysis Learning, IDEAL), qui utilise l'ascension de gradient sur les estimations d'information pour optimiser les paramètres du système d'imagerie sans réseau de décodeur. Dans la conception de filtres couleur, IDEAL a égalé l'optimisation de bout en bout en termes de qualité d'information et de reconstruction, tout en nécessitant moins de mémoire et de calcul. Ce cadre promet de s'étendre au-delà de l'imagerie à d'autres domaines de détection présentant des caractéristiques de bruit connues.