[논문 리뷰] Lidar waveform based analysis of depth images constructed using sparse single-photon data

Yoann Altmann, Ximing Ren외 3명|arXiv (Cornell University)|2015. 07. 09.

Advanced Optical Sensing Technologies참고 문헌 28인용 수 139

한 줄 요약

이 논문은 낮은 광자 수에서 희박한 단일 광자 라이다 웨이브폼으로부터 깊이 및 강도 프로파일링을 위한 적응형 마르코프 체인 몬테카를로(MCMC) 추론을 갖는 계층적 베이지안 모델을 제안한다. 표적 강도와 깊이에 대해 감마 마르코프 무작위 필드(MRF)를 사용하여 공간적 상관관계를 모델링하고, 최대 마진 가능도를 통해 MRF 파라미터를 적응적으로 최적화하는 스토케스틱 최적화를 적용함으로써, 공백 픽셀이 있는 경우에도 강인한 추정이 가능해지며, 낮은 광자 조건에서 기존 방법보다 깊이 및 강도의 평균제곱오차(MSE)에서 뛰어난 성능을 발휘한다.

ABSTRACT

This paper presents a new Bayesian model and algorithm used for depth and intensity profiling using full waveforms from the time-correlated single photon counting (TCSPC) measurement in the limit of very low photon counts. The model proposed represents each Lidar waveform as a combination of a known impulse response, weighted by the target intensity, and an unknown constant background, corrupted by Poisson noise. Prior knowledge about the problem is embedded in a hierarchical model that describes the dependence structure between the model parameters and their constraints. In particular, a gamma Markov random field (MRF) is used to model the joint distribution of the target intensity, and a second MRF is used to model the distribution of the target depth, which are both expected to exhibit significant spatial correlations. An adaptive Markov chain Monte Carlo algorithm is then proposed to compute the Bayesian estimates of interest and perform Bayesian inference. This algorithm is equipped with a stochastic optimization adaptation mechanism that automatically adjusts the parameters of the MRFs by maximum marginal likelihood estimation. Finally, the benefits of the proposed methodology are demonstrated through a serie of experiments using real data.

연구 동기 및 목표

• 광자 수가 극도로 낮을 때 시간 간격 기반 라이다에서 정확한 깊이 및 강도 추정의 과제를 해결한다.
• 희박한 광자 탐지 조건에서 실패하는 기존 방법의 한계를 극복하며, 특히 공백 픽셀이나 높은 배경 노이즈 상황에서도 성능을 확보한다.
• 이웃 픽셀 간의 공간적 상관관계를 계층적 사전분포를 통해 통합하여 추정의 안정성과 정확도를 향상시킨다.
• 정규화 파라미터 선택에 대한 교차검증이 필요 없도록, 최대 마진 가능도 추정을 통해 적응형 MCMC를 활용한다.
• 일관된 베이지안 프레임워크 내에서 표적 깊이, 강도, 배경 수준을 동시에 추정할 수 있도록 한다.

제안 방법

• 각 라이다 웨이브폼을 알려진 인파르스프의 가중합(표적 강도에 의해 스케일링됨)과 일정한 배경 수준의 합으로 모델링하며, 이는 포isson 분포를 따른다.
• 표적 강도와 깊이의 공간적 상관관계를 반영하기 위해 감마 마르코프 무작위 필드(MRF)를 사용하여 이웃 픽셀 간의 매끄러움을 강제한다.
• 공액 사전분포를 활용한 계층적 베이지안 모델을 구성하여 사전 지식과 강도 및 배경의 양수 제약 조건을 통합한다.
• 표적 파라미터의 사후분포를 동시 추출하고 MRF의 하이퍼파rameter를 최대 마진 가능도 기반으로 조정하는 적응형 스토케스틱 그래디언트 MCMC(SGMCMC) 알고리즘을 개발한다.
• 우도의 다항식 전개를 통해 강도에 대한 혼합 감마 조건부 분포를 유도하여 효율적인 MCMC 샘플링을 가능하게 한다.
• 스토케스틱 최적화를 사용하여 자동으로 파라미터를 적응시키며, 정규화 강도의 수동 조정이 필요 없도록 한다.

실험 결과

연구 질문

• RQ1 희박한 광자 수에서 초저조도 라이다의 경우, 이웃 픽셀 간의 공간적 상관관계를 효과적으로 활용하여 깊이 및 강도 추정 성능을 향상시킬 수 있는가?
• RQ2 희박한 광자 탐지 조건에서 제안된 적응형 MCMC 알고리즘이 기존 방법에 비해 깊이 및 강도의 평균제곱오차(MSE)에서 어떤 성능을 보이는가?
• RQ3 광자가 감지되지 않은 픽셀에서도 이 방법이 얼마나 신뢰성 있게 파라미터를 추정할 수 있는가?
• RQ4 최대 마진 가능도 기반 자동 파라미터 적응이 저광자 조건에서 교차검증 기반 정규화에 비해 우월한가?
• RQ5 실제 데이터에서 배경 수준과 신호 대 노이즈 비율은 제안된 베이지안 모델의 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 특히 촬영 시간이 짧아지고 광자 수가 감소할수록 기존 방법에 비해 깊이 및 강도 MSE가 유의미하게 낮아진다.
• MSE의 누적분포함수(CDF) 분석 결과, 공간 정규화 덕분에 광자가 감지되지 않은 픽셀까지도 일관되게 처리하는 경향이 있으며, 더 많은 픽셀이 안정적으로 추정된다.
• 공간 상관관계를 활용하여 공백 픽셀의 파라미터도 성공적으로 추정할 수 있으며, CDF는 처리 가능한 픽셀 비율에 의해 상한선으로 제한된다.
• 적응형 MCMC 알고리즘은 최대 마진 가능도 기반으로 MRF 파라미터를 자동으로 조정함으로써 교차검증이 필요 없어지고, 강인성이 향상된다.
• 낮은 광자 조건에서 기존 방법이 노이즈와 공백 픽셀로 인해 실패하는 상황에서도 베이지안 모델은 안정성을 유지하며 성능 향상이 두드러진다.
• MCMC 샘플링으로 인한 높은 계산 비용에도 불구하고, 광자 수가 낮을 경우 더 뛰어난 추정 정확도를 제공하므로 이는 타당한 트레이드오���이다.