Single-photon Image Super-resolution via Self-supervised Learning

要約

単一光子画像超解像（SPISR）は、計算機による画像処理アルゴリズムによって、ノイズの多い低解像度のものから高解像度の体積光子計数立方体を復元することを目的としています。実世界のシナリオでは、トレーニングサンプルのペアは高価であったり、入手不可能であったりすることが多い。Equivariant Imaging (EI)を体積単一光子データに拡張することで、SPISRタスクのための自己教師付き学習フレームワークを提案する。特に、ポアソン不偏カルバック・ライブラーリスク推定量と等変量性を用いることで、本手法はグランドトゥルースを持たないノイズの多い測定値から学習することができる。シミュレーションと実世界のデータセットを用いた包括的な実験により、提案手法は教師あり学習と同等の性能を達成し、補間ベースの手法を凌駕することが示された。

要約(オリジナル)

Single-Photon Image Super-Resolution (SPISR) aims to recover a high-resolution volumetric photon counting cube from a noisy low-resolution one by computational imaging algorithms. In real-world scenarios, pairs of training samples are often expensive or impossible to obtain. By extending Equivariant Imaging (EI) to volumetric single-photon data, we propose a self-supervised learning framework for the SPISR task. Particularly, using the Poisson unbiased Kullback-Leibler risk estimator and equivariance, our method is able to learn from noisy measurements without ground truths. Comprehensive experiments on simulated and real-world dataset demonstrate that the proposed method achieves comparable performance with supervised learning and outperforms interpolation-based methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL