정보 이론을 활용한 이미징 시스템 설계

정보 이론적 접근법을 이미징에 적용하는 데는 두 가지 문제가 있었습니다. 시스템을 제약 없는 채널로 취급하면 부정확한 추정이 발생하고, 명시적인 객체 모델을 요구하면 일반성이 제한된다는 점입니다. 버클리 AI 연구팀은 두 문제를 모두 해결했습니다. 이미징 시스템의 알려진 노이즈 모델을 활용하여 측정 데이터로부터 직접 상호 정보량을 추정한 것입니다. 상호 정보량을 총 측정 변동성에서 노이즈만의 변동성을 뺀 값으로 분해했는데, 후자는 노이즈 물리학으로부터 분석적으로 계산하고, 전자는 확률 모델(가우시안 프로세스, 완전 가우시안, PixelCNN)을 사용해 데이터로부터 학습합니다. 컬러 사진, 전파 천문학, 렌즈리스 이미징, 현미경 검사에 걸친 검증 결과, 정보 추정치가 높을수록 하류 복원 작업의 성능이 일관되게 향상되는 것으로 나타났습니다. 이를 바탕으로 그들은 IDEAL(Information-Driven Encoder Analysis Learning)을 도입했습니다. IDEAL은 정보 추정치에 대한 경사 상승법을 사용하여 디코더 네트워크 없이 이미징 시스템 매개변수를 최적화합니다. 컬러 필터 설계에서 IDEAL은 정보량과 복원 품질 모두에서 엔드투엔드 최적화와 일치하는 성능을 보였으며, 메모리와 연산량은 더 적게 필요로 했습니다. 이 프레임워크는 알려진 노이즈 특성을 가진 다른 센싱 분야로 확장될 가능성이 있습니다.