Beeldvormingssystemen Ontwerpen met Informatietheorie

Twee problemen plaagden eerdere informatietheoretische benaderingen van beeldvorming: het behandelen van systemen als onbeperkte kanalen (onnauwkeurige schattingen) of het vereisen van expliciete objectmodellen (beperkte generaliseerbaarheid). Het Berkeley AI Research-team loste beide op door wederzijdse informatie rechtstreeks uit metingen te schatten, gebruikmakend van de bekende ruismodellen van beeldvormingssystemen. Ze ontleden wederzijdse informatie in totale meetvariatie minus ruis-only variatie; de laatste wordt analytisch berekend op basis van ruisfysica, terwijl de eerste uit gegevens wordt geleerd met behulp van probabilistische modellen (Gaussian process, volledige Gaussiaanse of PixelCNN). Validatie over kleurenfotografie, radioastronomie, lensloze beeldvorming en microscopie toonde aan dat hogere informatieschattingen consistent betere prestaties op downstream-reconstructietaken voorspelden. Hierop voortbouwend introduceren ze Information-Driven Encoder Analysis Learning (IDEAL), dat gradiëntstijging op informatieschattingen gebruikt om parameters van het beeldvormingssysteem te optimaliseren zonder een decoder-netwerk. In kleurenfilterontwerp evenaarde IDEAL end-to-end optimalisatie in zowel informatie als reconstructiekwaliteit, terwijl het minder geheugen en rekenkracht vereiste. Het raamwerk belooft uitbreidbaar te zijn naar andere detectiedomeinen met bekende ruiskarakteristieken.