Towards A Most Probable Recovery in Optical Imaging

要約

光は複雑な値を持つ場である。その強度と位相は、被写体によって影響を受ける。しかし、イメージングセンサーは実数値の非負の強度のみを測定する。このため、測定値と未知の撮像対象との間には非線形な関係が生じる。さらに、センサーの読み出しは、ポアソン分布の光子ノイズによって破損する。本研究では、ノイズの多い測定値が与えられた場合に、最も確率の高い物体（または鮮明な画像）を求める、つまり、求める変数のa-posteriori確率を最大化する。したがって、我々は、位相回復やポアソン（光子）ノイズ除去を含む光学イメージングにおける基本的な課題に取り組む、アニールされたランジュバン力学を一般化する。我々はディープニューラルネットワークを、撮像されたオブジェクトの明示的な回復のためではなく、事前項のための近似勾配として活用する。実際の実験によって得られた実証的なデータに対する結果を示す。さらに、シミュレーションの結果も示す。

要約(オリジナル)

Light is a complex-valued field. The intensity and phase of the field are affected by imaged objects. However, imaging sensors measure only real-valued non-negative intensities. This results in a nonlinear relation between the measurements and the unknown imaged objects. Moreover, the sensor readouts are corrupted by Poissonian-distributed photon noise. In this work, we seek the most probable object (or clear image), given noisy measurements, that is, maximizing the a-posteriori probability of the sought variables. Hence, we generalize annealed Langevin dynamics, tackling fundamental challenges in optical imaging, including phase recovery and Poisson (photon) denoising. We leverage deep neural networks, not for explicit recovery of the imaged object, but as an approximate gradient for a prior term. We show results on empirical data, acquired by a real experiment. We further show results of simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL