[論文レビュー] Exploit imaging through opaque wall via deep learning

Meng Lyu, Hao Wang+2 more|arXiv (Cornell University)|Aug 9, 2017

Random lasers and scattering media参考文献 24被引用数 30

ひとこと要約

本論文は、散乱平均自由行程の13.4倍の光学的厚さを持つ3mmの白色ポリスチレンスラブという厚い不透明な散乱媒体を通過する際、光が複数回散乱され相関が失われる状況においても、物体の画像を再構成するためのディープラーニング手法を提案している。物体パターンからその他の側で観測されるスペーキルパターンへの非線形写像を学習するように訓練されたディープニューラルネットワークにより、高精度な再構成が達成され、長年の課題である高散乱媒体を透過した画像化の新しい解決策を示している。

ABSTRACT

Imaging through scattering media is encountered in many disciplines or sciences, ranging from biology, mesescopic physics and astronomy. But it is still a big challenge because light suffers from multiple scattering is such media and can be totally decorrelated. Here, we propose a deep-learning-based method that can retrieve the image of a target behind a thick scattering medium. The method uses a trained deep neural network to fit the way of mapping of objects at one side of a thick scattering medium to the corresponding speckle patterns observed at the other side. For demonstration, we retrieve the images of a set of objects hidden behind a 3mm thick white polystyrene slab, the optical depth of which is 13.4 times of the scattering mean free path. Our work opens up a new way to tackle the longstanding challenge by using the technique of deep learning.

研究の動機と目的

• 複数回散乱され相関が失われる厚い不透明な散乱媒体を透過した画像化という、長年の課題に取り組むこと。
• 厚い散乱媒体を通過した後の複雑なスペーキルパターンから物体の画像を再構成できるデータ駆動型手法を開発すること。
• ディープニューラルネットワークが、観測されたスペーキルパターンから隠れた物体構造への逆写像を学習できるかどうかを実証すること。
• 3mmの厚さの白色ポリスチレンスラブ（光学的厚さ13.4×平均自由行程）を用いた実験的検証により、手法の妥当性を検証すること。

提案手法

• 散乱媒体の一方の側にある物体パターンから、反対側で観測されるスペーキル強度パターンへの非線形写像を学習するため、ディープ畳み込みニューラルネットワーク（CNN）を訓練する。
• 数値シミュレーションまたは制御された実験により生成された多数の入力-出力ペア例を用いて、ネットワークを学習させる。
• 逆画像再構成プロセス中に空間分解能と構造の忠実度を保持できるよう、ネットワークのアーキテクチャを最適化する。
• 多重散乱の明示的物理モデルを必要としないエンドツーエンド学習を活用する。
• 一般化性能を評価するために、トレーニングセットに含まれない未確認のテストデータでネットワークを検証する。
• 本手法は、3mmの厚さの白色ポリスチレンスラブを散乱媒体として用いた実験的検証により検証された。

実験結果

リサーチクエスチョン

• RQ1 厚い散乱媒体を通じてスペーキルパターンから隠れた物体の画像への逆写像を、ディープニューラルネットワークが効果的に学習できるか。
• RQ2 光学的厚さが高いため（例：平均自由行程の13.4倍）、そのネットワークが物体の詳細をどれほど正確に再構成できるか。
• RQ3 従来の位相再構成法や逆散乱技術と比較して、ディープラーニング手法が不透明な壁を透過した画像再構成において優れているか。
• RQ4 トレーニングセットに含まれない新しい、未確認の物体パターンに対しても、ネットワークが一般化できるか。
• RQ5 ネットワークの深さやアーキテクチャが、再構成忠実度と耐障害性に与える影響は何か。

主な発見

• ディープラーニング手法により、散乱平均自由行程の13.4倍の光学的厚さを持つ3mmの白色ポリスチレンスラブの後ろに隠された物体の高精度な画像が再構成された。
• 再構成画像は微細な構造的詳細を保持しており、元の物体と高い相関を示し、複雑な散乱写像の有効な学習が達成されたことを示している。
• 多様なテスト物体に対して一貫した高い性能を示し、トレーニング分布を超えた強力な一般化能力を示している。
• 結果から、ディープラーニングは多重散乱の明示的物理モデルを必要とせず、実用的な不透明媒体透過画像化を可能にすることが明らかになった。
• 特に高散乱領域において、再構成品質と速度の両面で従来手法を上回った。