Bilgi Teorisi Kullanarak Görüntüleme Sistemleri Tasarlama

Görüntülemeye yönelik önceki bilgi-kuramsal yaklaşımları iki sorun rahatsız ediyordu: sistemleri kısıtlanmamış kanallar olarak ele almak (yanlış tahminler) veya açık nesne modelleri gerektirmek (sınırlı genellik). Berkeley AI Araştırma ekibi, her ikisini de ölçümlerden doğrudan ortak bilgiyi tahmin ederek ve görüntüleme sistemlerinin bilinen gürültü modellerinden yararlanarak çözdü. Ortak bilgiyi toplam ölçüm varyansı eksi yalnızca gürültü varyansı olarak ayrıştırıyorlar; ikincisi gürültü fiziğinden analitik olarak hesaplanırken, birincisi verilerden olasılıksal modeller (Gauss süreci, tam Gauss veya PixelCNN) kullanılarak öğreniliyor. Renkli fotoğrafçılık, radyo astronomisi, lenssiz görüntüleme ve mikroskopi üzerinde yapılan doğrulama, daha yüksek bilgi tahminlerinin, aşağı akış yeniden yapılandırma görevlerinde tutarlı bir şekilde daha iyi performans öngördüğünü gösterdi. Bunun üzerine, Bilgi Odaklı Kodlayıcı Analiz Öğrenimi (Information-Driven Encoder Analysis Learning - IDEAL) adını verdikleri yöntemi tanıtıyorlar; bu yöntem, bir kod çözücü ağ olmadan görüntüleme sistemi parametrelerini optimize etmek için bilgi tahminleri üzerinde gradyan yükselişi kullanıyor. Renk filtresi tasarımında IDEAL, hem bilgi hem de yeniden yapılandırma kalitesinde uçtan uca optimizasyonla eşleşirken daha az bellek ve hesaplama gerektirdi. Çerçeve, bilinen gürültü özelliklerine sahip diğer algılama alanlarına da görüntülemenin ötesine geçme vaadinde bulunuyor.