Fast and Robust Phase Retrieval via Deep Expectation-Consistent Approximation

要約

フェーズレス測定から画像を正確に復元することは、長年にわたる困難な問題です。
この研究では、期待整合性 (EC) 近似とディープノイズ除去ネットワークを組み合わせて、速度と精度の両方で最先端の位相回復手法を超える「deepECpr」を紹介します。
従来とは異なる方法で EC を適用することに加えて、deepECpr には、最近の拡散手法からインスピレーションを得た新しい確率的減衰スキームが含まれています。
プラグアンドプレイ事前分布、ノイズ除去による正則化、または拡散に基づく既存の位相回復手法と同様に、deepECpr はノイズ除去段階と測定利用段階を繰り返します。
ただし、既存の方法とは異なり、deepECpr ではデノイザーの呼び出しがはるかに少なくなります。
deepECpr を最先端の prDeep (Metzler et al., 2018)、Deep-ITA (Wang et al., 2020)、DOLPH (Shoushtari et al., 2023)、および拡散事後サンプリング (Chung et al., 2023) と比較します。
et al., 2023) 色、自然、およびノイズの多い位相回復のための方法
オーバーサンプリングされたフーリエ測定とコード化回折パターン測定で不自然なグレースケール画像を測定し、デノイザー呼び出しが大幅に減り、PSNR と SSIM の両方が改善されることがわかりました。

要約(オリジナル)

Accurately recovering images from phaseless measurements is a challenging and long-standing problem. In this work, we present ‘deepECpr,’ which combines expectation-consistent (EC) approximation with deep denoising networks to surpass state-of-the-art phase-retrieval methods in both speed and accuracy. In addition to applying EC in a non-traditional manner, deepECpr includes a novel stochastic damping scheme that is inspired by recent diffusion methods. Like existing phase-retrieval methods based on plug-and-play priors, regularization by denoising, or diffusion, deepECpr iterates a denoising stage with a measurement-exploitation stage. But unlike existing methods, deepECpr requires far fewer denoiser calls. We compare deepECpr to the state-of-the-art prDeep (Metzler et al., 2018), Deep-ITA (Wang et al., 2020), DOLPH (Shoushtari et al., 2023), and Diffusion Posterior Sampling (Chung et al., 2023) methods for noisy phase-retrieval of color, natural, and unnatural grayscale images on oversampled-Fourier and coded-diffraction-pattern measurements and find improvements in both PSNR and SSIM with significantly fewer denoiser calls.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google