[論文レビュー] Variational Inference for Computational Imaging Inverse Problems

Francesco Tonolini, Jack Radford+3 more|ENLIGHTEN (Jurnal Bimbingan dan Konseling Islam)|Apr 12, 2019

Sparse and Compressive Sensing Techniques参考文献 82被引用数 8

ひとこと要約

本稿では、限定的な実験データを用いて、実測値、ドメイン固有の知識、および事前存在する画像データセットを統合することにより、計算画像処理の逆問題におけるベイジアン不確実性推定を可能にする変分推論フレームワークを提案する。この手法は、ホログラフィー画像処理および散乱媒体透過画像処理において、顕著に少ないデータ収集量で最先端の再構成性能を達成する。

ABSTRACT

Machine learning methods for computational imaging require uncertainty estimation to be reliable in real settings. While Bayesian models offer a computationally tractable way of recovering uncertainty, they need large data volumes to be trained, which in imaging applications implicates prohibitively expensive collections with specific imaging instruments. This paper introduces a novel framework to train variational inference for inverse problems exploiting in combination few experimentally collected data, domain expertise and existing image data sets. In such a way, Bayesian machine learning models can solve imaging inverse problems with minimal data collection efforts. Extensive simulated experiments show the advantages of the proposed framework. The approach is then applied to two real experimental optics settings: holographic image reconstruction and imaging through highly scattering media. In both settings, state of the art reconstructions are achieved with little collection of training data.

研究の動機と目的

• 計算画像処理の逆問題における信頼性の高い不確実性推定を達成すること。
• ベイジアンモデルの学習に、高価で機器固有の大量の実験データに依存することを減らすこと。
• 限られた実測値とドメイン固有の知識、および既存の画像データセットを統合することで、モデルの一般化性能と不確実性の定量化を向上させること。
• 特に実験的光学環境において、低データ量の状況下でも高性能な画像再構成を可能にすること。
• ハイブリッドなデータソースを用いて、画像逆問題のための堅牢なベイジアンモデルを学習可能であることを実証すること。

提案手法

• フレームワークは、画像再構成における事後分布の近似に変分推論を用い、不確実性の定量化を可能にする。
• 少量の実験的測定値と、公開の画像データセットからの合成データ、ドメイン固有の事前分布を統合する。
• 既存の画像データセットから学習された微分可能な画像事前分布を、変分推論の目的関数に統合する。
• ドメイン固有の知識は、潜在空間の正則化を促進する構造的事前分布として符号化され、現実の画像処理条件への一般化性能が向上する。
• 近似事後分布をパrameter化するためのニューラルネットワークベースの推論ネットワークを用い、エンドツーエンド最適化を実現する。
• 学習目的関数は、実測値からの尤度項、合成データからの再構成損失、およびKLダイバージェンス正則化項を組み合わせる。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンディープラーニングモデルは、限定的な実験的測定データのみを用いても、計算画像処理で高品質な画像再構成を達成できるか？
• RQ2 ドメイン固有の知識と事前存在する画像データセットを、わずかな実測値と効果的に統合することで、不確実性推定をどのように向上させられるか？
• RQ3 変分推論フレームワークは、逆画像処理問題において最先端の性能を維持しつつ、どの程度データ収集コストを削減できるか？
• RQ4 合成データと実測値の統合は、不確実性のキャリブレーションと再構成忠実度にどのように影響するか？
• RQ5 提案手法は、ホログラフィーおよび散乱媒体画像処理など、異なる画像モダリティに一般化可能か？

主な発見

• 本手法は、わずか10件の実験的測定値のみを用いても、ホログラフィック画像再構成で最先端の再構成品質を達成する。
• 散乱媒体透過画像処理においては、ベースライン手法よりもはるかに少ないトレーニング画像で高忠実度の再構成が得られる。
• ドメイン固有の事前分布の統合により、再構成出力の過信を低減し、不確実性のキャリブレーションが向上する。
• 実データが限られる状況下でも、強力な一般化性能を維持し、低データ量環境下で純粋にデータ駆動のベースラインを上回る。
• 定量的評価では、シミュレート済みおよび実データセットの両方で、標準的な変分推論および非ベイジアンベースラインと比較してPSNRおよびSSIMスコアが向上する。
• フレームワークは2つの異なる実験的光学設定においても堅牢性を示し、その一般化可能性が検証された。