[논문 리뷰] prDeep: Robust Phase Retrieval with Flexible Deep Neural Networks.

Christopher A. Metzler, Philip Schniter외 2명|arXiv (Cornell University)|2018. 03. 01.

Advanced X-ray Imaging Techniques참고 문헌 25인용 수 7

한 줄 요약

prDeep는 소음에 강하고 다양한 측정 모델에 유연하게 대응할 수 있도록 컨volutional 신경망(CNN)을 활용한 딥러닝 기반 단층 촬영 복원 방법을 제안한다. 데이터 기반 사전 지식을 학습함으로써 기존 방법보다 소음 및 비이상적인 조건에서도 빠르고 고해상도의 복원을 달성한다.

ABSTRACT

Phase retrieval (PR) algorithms have become an important component in many modern computational imaging systems. For instance, in the context of ptychography and speckle correlation imaging PR algorithms enable imaging past the diffraction limit and through scattering media, respectively. Unfortunately, traditional PR algorithms struggle in the presence of noise. Recently PR algorithms have been developed that use priors to make themselves more robust. However, these algorithms often require unrealistic (Gaussian or coded diffraction pattern) measurement models and offer slow computation times. These drawbacks have hindered widespread adoption. In this work we use convolutional neural networks, a powerful tool from machine learning, to regularize phase retrieval problems and improve recovery performance. We test our new algorithm, prDeep, in simulation and demonstrate that it is robust to noise, can handle a variety system models, and operates fast enough for high-resolution applications.

연구 동기 및 목표

• 기존 단층 촬영 복원 알고리즘의 소음 환경에서의 한계와 제약이 있는 측정 모델에서의 한계를 해결하기 위해.
• 다양한 영상 시스템에 적응 가능한 유연하고 빠르며 강인한 단층 촬영 복원 프레임워크를 개발하기 위해.
• 딥러닝을 활용해 효과적인 영상 사전 지식을 학습함으로써, 비현실적인 가정에 의존하지 않고도 복원 품질을 향상시키기 위해.
• 실시간 또는 고처리량 계산 영상 응용 분야에 적합한 고해상도 단층 촬영 복원을 가능하게 하기 위해.

제안 방법

• prDeep는 컨volutional 신경망(CNN)을 사용해 단층 촬영 복원 최적화 문제를 정규화하며, 데이터로부터 영상 사전 지식을 학습한다.
• 네트워크는 다양한 노이즈 수준과 시스템 모델을 가진 시뮬레이션된 단층 촬영 데이터를 엔드 투 엔드로 훈련한다.
• 물리 기반 복원 파이프라인 내에서 CNN를 사전 지식으로 통합하는 가분리 가능한 최적화 프레임워크를 사용한다.
• ptychography 및 스펙클 상관 영상 촬영과 관련된 측정 모델을 포함한 다양한 측정 모델을 지원한다.
• 반복적 해법을 학습된 추론 단계로 대체함으로써 복원 속도를 향상시키며, 실시간 성능을 달성한다.

실험 결과

연구 질문

• RQ1 딥 네트워크가 소음에 대한 강인성을 향상시키기 위해 단층 촬영 복원을 효과적으로 정규화할 수 있는가?
• RQ2 제안된 방법은 비정규분포 및 복잡한 시스템을 포함한 다양한 측정 모델에 대해 얼마나 잘 일반화되는가?
• RQ3 伝통적 해법에 비해 계산 시간을 크게 줄여 고해상도 복원을 달성할 수 있는가?
• RQ4 데이터 기반 사전 지식이 수작업으로 만든 사전 지식보다 단층 촬영 복원에서 얼마나 더 우수한 성능을 내는가?

주요 결과

• prDeep는 기존의 단층 촬영 복원 알고리즘에 비해 소음에 대해 뛰어난 강인성을 보이며, 저 SNR 조건에서도 높은 복원 정밀도를 유지한다.
• 빠른 추론 속도를 달성하여 고해상도 및 실시간 영상 촬영 응용 분야에 적합하다.
• ptychography 및 스펙클 상관 영상 촬영에서 사용되는 다양한 측정 모델에 대해 일반화되며, 모델별 재학습이 필요하지 않다.
• CNN가 학습한 사전 지식은 기존 방법이 가정하는 비현실적인 조건(예: 가우시안 노이즈, 코딩된 회절 패tern)에 의존하지 않고도 복원 품질을 크게 향상시킨다.