Merancang Sistem Pencitraan Menggunakan Teori Informasi

Dua masalah utama mengganggu pendekatan teori informasi sebelumnya untuk pencitraan: memperlakukan sistem sebagai saluran tanpa batasan (estimasi yang tidak akurat) atau memerlukan model objek eksplisit (keterbatasan umum). Tim peneliti Berkeley AI memecahkan keduanya dengan mengestimasi informasi timbal balik langsung dari pengukuran, memanfaatkan model derau yang diketahui dari sistem pencitraan. Mereka menguraikan informasi timbal balik menjadi variasi total pengukuran dikurangi variasi hanya derau; yang terakhir dihitung secara analitis dari fisika derau, sementara yang pertama dipelajari dari data menggunakan model probabilistik (proses Gaussian, Gaussian penuh, atau PixelCNN). Validasi di seluruh fotografi warna, radio astronomi, pencitraan tanpa lensa, dan mikroskopi menunjukkan bahwa estimasi informasi yang lebih tinggi secara konsisten memprediksi kinerja yang lebih baik pada tugas rekonstruksi hilir. Berdasarkan hal ini, mereka memperkenalkan Information-Driven Encoder Analysis Learning (IDEAL), yang menggunakan gradient ascent pada estimasi informasi untuk mengoptimalkan parameter sistem pencitraan tanpa jaringan dekoder. Dalam desain filter warna, IDEAL menyamai optimasi ujung-ke-ujung dalam hal informasi dan kualitas rekonstruksi, sementara membutuhkan lebih sedikit memori dan komputasi. Kerangka kerja ini menjanjikan untuk diperluas di luar pencitraan ke domain penginderaan lain dengan karakteristik derau yang diketahui.