使用信息论设计成像系统

以往基于信息论的成像方法一直受两大问题困扰:一是将系统视为不受约束的信道(导致估计不准确),二是需要显式的物体模型(导致通用性受限)。加州大学伯克利分校人工智能研究团队(Berkeley AI Research)同时解决了这两个问题,其方法是直接从测量数据中估计互信息(mutual information),并充分利用成像系统已知的噪声模型。他们将互信息分解为总测量方差减去纯噪声方差:后者可通过噪声物理特性以解析方式计算得出,前者则利用概率模型(高斯过程、全高斯模型或PixelCNN)从数据中学习得到。在彩色摄影、射电天文学、无透镜成像和显微镜等多个领域的验证表明,信息估计值越高,在下游重建任务中的表现就越好,这一规律具有一致性。在此基础上,他们进一步提出了信息驱动的编码器分析学习框架(Information-Driven Encoder Analysis Learning,简称IDEAL),该框架利用对信息估计值的梯度上升法来优化成像系统参数,而无需借助解码器网络。在滤色片设计任务中,IDEAL在信息量和重建质量方面均达到了与端到端优化相当的水平,同时所需的内存和计算量更少。该框架有望突破成像领域的局限,拓展应用到其他具有已知噪声特性的传感领域。