情報理論を用いたイメージングシステムの設計

画像への情報理論的アプローチには、システムを無制約なチャネルとして扱う（不正確な推定）か、明示的な物体モデルを必要とする（汎用性の限界）という2つの問題があった。バークレーAIリサーチチームは、両方の問題を、測定値から直接相互情報量を推定し、既知のイメージングシステムのノイズモデルを活用することで解決した。彼らは相互情報量を、全測定変動からノイズのみの変動を引いたものに分解する。後者はノイズ物理から解析的に計算され、前者は確率モデル（ガウス過程、完全ガウス、PixelCNN）を用いてデータから学習される。カラー写真、電波天文学、レンズレスイメージング、顕微鏡法にわたる検証により、より高い情報推定値が下流の再構成タスクで一貫してより良い性能を予測することが示された。これに基づき、彼らはInformation-Driven Encoder Analysis Learning（IDEAL）を導入する。これは、情報推定値に対する勾配上昇を用いて、デコーダネットワークなしでイメージングシステムのパラメータを最適化するものである。カラーフィルタ設計において、IDEALは情報量と再構成品質の両方でエンドツーエンド最適化に匹敵し、メモリと計算量を節約した。このフレームワークは、既知のノイズ特性を持つ他のセンシング領域にも拡張できる可能性がある。