Designing Visualization Systems Based on Information Theory
UC Berkeley
Researchers from BAIR (Berkeley AI) have developed a method to evaluate the information content of images directly from noisy data, enabling the design of optical systems without a decoder. The NeurIPS 2025 paper shows that the mutual information metric predicts system performance and outperforms traditional quality metrics. The developed method, IDEAL, achieves quality comparable to end-to-end training but requires less memory and computation.
BAIR (Berkeley AI) प्रयोगशाला ने विज़ुअलाइज़ेशन सिस्टम डिज़ाइन करने के लिए एक नया दृष्टिकोण प्रस्तुत किया है, जो सूचना सामग्री के प्रत्यक्ष मापन पर आधारित है। कई प्रणालियों में - स्मार्टफ़ोन से लेकर MRI और LiDAR तक - माप मानव धारणा के लिए अभिप्रेत नहीं होते, लेकिन AI उपयोगी जानकारी निकालने में सक्षम है। पारंपरिक गुणवत्ता मीट्रिक (रिज़ॉल्यूशन, सिग्नल-टू-शोर अनुपात) कारकों का अलग-अलग मूल्यांकन करते हैं, जबकि पुनर्निर्माण या वर्गीकरण के लिए न्यूरल नेटवर्क का प्रशिक्षण उपकरण और एल्गोरिदम की गुणवत्ता को मिला देता है। लेखकों ने केवल शोर वाले डेटा और ज्ञात शोर मॉडल (फ़ोटॉन का पॉइसन शोर और रीडआउट का गॉसियन शोर) का उपयोग करके, ऑब्जेक्ट और माप के बीच पारस्परिक सूचना का मूल्यांकन करने का प्रस्ताव दिया। यह मूल्यांकन को दो घटकों में विभाजित करने की अनुमति देता है: माप की एंट्रॉपी (एक प्रायिकता मॉडल, जैसे ट्रांसफॉर्मर द्वारा अनुमानित) और सशर्त एंट्रॉपी (विश्लेषणात्मक रूप से गणना की गई)। इस विधि का परीक्षण चार क्षेत्रों में किया गया: रंगीन फ़ोटोग्राफ़ी (बायर फ़िल्टर का चयन), रेडियो खगोल विज्ञान (दूरबीनों के स्थान का चयन), लेंसलेस इमेजिंग और माइक्रोस्कोपी। सभी मामलों में, सूचना का मूल्यांकन न्यूरल नेटवर्क द्वारा पुनर्निर्माण की गुणवत्ता से संबंधित था। इस दृष्टिकोण के आधार पर, IDEAL (Information-Driven Encoder Analysis Learning) विधि विकसित की गई, जो डिकोडर के प्रशिक्षण की आवश्यकता के बिना, सूचना मूल्यांकन पर ग्रेडिएंट असेंट का उपयोग करके विज़ुअलाइज़ेशन सिस्टम (जैसे रंगीन फ़िल्टर) के मापदंडों को अनुकूलित करती है। परिणामों से पता चला कि IDEAL एंड-टू-एंड प्रशिक्षण के समान गुणवत्ता प्राप्त करता है, लेकिन कम मेमोरी और कम्प्यूटेशन लागत के साथ। लेखकों के अनुसार, यह विधि न केवल विज़ुअलाइज़ेशन में, बल्कि अन्य प्रकार के सेंसरों - इलेक्ट्रॉनिक, जैविक, रासायनिक - में भी लागू की जा सकती है।
स्रोत: BAIR (Berkeley AI) —
मूल