Plug-and-Play Regularization on Magnitude with Deep Priors for 3D Near-Field MIMO Imaging

要約

近接場レーダー画像システムは、最近、医療診断、壁貫通画像化、隠し武器の検出、非破壊評価などの幅広い用途で使用されています。
この論文では、まばらな多入力多出力 (MIMO) アレイ測定から、近接場シーンの 3 次元 (3D) 複素数値反射率分布を再構成する問題を検討します。
Alternating Direction Method of Multipliers (ADMM) フレームワークを使用して、複素数値の反射率分布の大きさに正則化を強制することで、この逆問題を解決します。
このため、このような正則化関数に関連する近接マッピングの一般式を提供します。
これは、大きさの正則化を伴う複素数値のノイズ除去問題の解に等価です。
この式を利用して、単純な更新ステップからなる、新規で効率的なプラグ アンド プレイ (PnP) 再構築手法を開発します。
さまざまなイメージング問題におけるデータ適応ディープ プライアの成功により、MIMO イメージング用に開発された PnP フレームワーク内で活用する 3D ディープ デノイザーもトレーニングします。
開発された学習ベースの PnP アプローチの有効性は、シミュレーション データと実験測定の両方を使用して、さまざまな圧縮とノイズの多い観測シナリオの下で示されます。
パフォーマンスは、スパース事前分布や、逆投影やキルヒホッフ移動などの一般的に使用される分析アプローチとも比較されます。
この結果は、開発された技術が 3D 現実世界のターゲットに対して最先端の再構成パフォーマンスを提供するだけでなく、高速計算も可能にすることを示しています。
私たちのアプローチは、複素数値の未知の大きさに関する任意の正則化を効果的に処理するための統一された一般的なフレームワークを提供し、他のレーダー画像形成問題 (SAR を含む) にも同様に適用できます。

要約(オリジナル)

Near-field radar imaging systems are recently used in a wide range of applications, such as medical diagnosis, through-wall imaging, concealed weapon detection, and nondestructive evaluation. In this paper, we consider the problem of reconstructing the three-dimensional (3D) complex-valued reflectivity distribution of the near-field scene from sparse multiple-input multiple-output (MIMO) array measurements. Using the alternating direction method of multipliers (ADMM) framework, we solve this inverse problem by enforcing regularization on the magnitude of the complex-valued reflectivity distribution. For this, we provide a general expression for the proximal mapping associated with such regularization functionals. This equivalently corresponds to the solution of a complex-valued denoising problem which involves regularization on the magnitude. By utilizing this expression, we develop a novel and efficient plug-and-play (PnP) reconstruction method that consists of simple update steps. Due to the success of data-adaptive deep priors in various imaging problems, we also train a 3D deep denoiser to exploit within the developed PnP framework for MIMO imaging. The effectiveness of the developed learning-based PnP approach is illustrated under various compressive and noisy observation scenarios using both simulated data and experimental measurements. The performance is also compared with sparsity priors and the commonly used analytical approaches such as back-projection and Kirchhoff migration. The results demonstrate that the developed technique not only provides state-of-the-art reconstruction performance for 3D real-world targets, but also enables fast computation. Our approach provides a unified general framework to effectively handle arbitrary regularization on the magnitude of a complex-valued unknown and is equally applicable to other radar image formation problems (including SAR).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google