[논문 리뷰] Phase Retrieval with Holography and Untrained Priors: Tackling the Challenges of Low-Photon Nanoscale Imaging

Hannah Lawrence, David A. Barmherzig외 3명|arXiv (Cornell University)|2020. 12. 14.

Advanced X-ray Imaging Techniques참고 문헌 43인용 수 6

한 줄 요약

이 논문은 저광자 밀리스케일 영상에서 헬로그램 단면 회복을 위한 데이터셋 없음 딥러닝 프레임워크인 HolOpt-P를 제안한다. 물리적 정방향 모델링과 포isson 로그우도 최적화, 그리고 훈련되지 않은 딥 이미지 프리두를 결합하여, 기존의 고전적 방법에 비해 더 높은 재구성 정확도와 노이즈, 저주파수 손실, 비최적의 기준 설계에 대한 강건성을 달성한다. 시뮬레이션 및 실험적 광학 데이터를 통해 검증되었다.

ABSTRACT

Phase retrieval is the inverse problem of recovering a signal from magnitude-only Fourier measurements, and underlies numerous imaging modalities, such as Coherent Diffraction Imaging (CDI). A variant of this setup, known as holography, includes a reference object that is placed adjacent to the specimen of interest before measurements are collected. The resulting inverse problem, known as holographic phase retrieval, is well-known to have improved problem conditioning relative to the original. This innovation, i.e. Holographic CDI, becomes crucial at the nanoscale, where imaging specimens such as viruses, proteins, and crystals require low-photon measurements. This data is highly corrupted by Poisson shot noise, and often lacks low-frequency content as well. In this work, we introduce a dataset-free deep learning framework for holographic phase retrieval adapted to these challenges. The key ingredients of our approach are the explicit and flexible incorporation of the physical forward model into an automatic differentiation procedure, the Poisson log-likelihood objective function, and an optional untrained deep image prior. We perform extensive evaluation under realistic conditions. Compared to competing classical methods, our method recovers signal from higher noise levels and is more resilient to suboptimal reference design, as well as to large missing regions of low frequencies in the observations. Finally, we show that these properties carry over to experimental data acquired on optical wavelengths. To the best of our knowledge, this is the first work to consider a dataset-free machine learning approach for holographic phase retrieval.

연구 동기 및 목표

• 헬로그램 협응 회절 영상(CDI)에서 저광자, 노이즈가 많고 완전하지 못한 푸리에 크기 측정치의 과제를 해결하기 위해.
• 물리적 사전 지식과 훈련되지 않은 이미지 사전 지식을 활용하여 극한의 노이즈와 데이터 손실 환경에서도 개선된 재구성을 위한 데이터셋 없음 딥러닝 방법을 개발하기 위해.
• 밀리스케일 CDI에서 흔히 발생하는 비최적의 기준 설계와 저주파수 성분 손실에 대한 강건성을 향상시키기 위해.
• 현실적인 시뮬레이션 데이터와 실험적 광학 CDI 데이터를 통해 방법을 검증하여, 합성 환경을 넘어서 실용적 유용성을 입증하기 위해.

제안 방법

• 자동 미분 프레임워크에 헬로그램 정방향 모델을 통합하여, 미분 가능한 물리 기반의 엔드 투 엔드 최적화를 가능하게 한다.
• 표준 최소 제곱 목적 함수 대신 광자 수 센서 노이즈를 정확히 모델링하기 위해 포아송 로그우도 손실 함수를 사용한다.
• 외부 데이터셋이 필요 없는 훈련되지 않은 딥 컨볼루션 신경망이 학습된 이미지 사전 지식으로서 기능하며, 해를 정규화한다.
• 과도한 부드러움을 방지하면서도 가장자리를 유지하기 위해 선택적 총 변동(TV) 정규화를 지원한다.
• 네트워크 깊이와 같은 하이퍼파ram터는 사전 이미지와 재구성 이미지의 특징 간 분포 비교 지표(Wasserstein 2-거리)를 사용하여 선택한다.
• 이 방법은 비헬로그램 단면 회복 및 페티코그래피, 광학 헬로그래피와 같은 다른 영상 모달리티로도 확장 가능하다.

실험 결과

연구 질문

• RQ1 물리 기반의 데이터셋 없음 딥러닝 프레임워크는 헬로그램 CDI에서 저광자, 고노이즈 조건에서 고전적 단면 회복 방법보다 뛰어난 성능을 내는가?
• RQ2 저주파수 성분이 손실되거나 손상된 경우, 훈련되지 않은 딥 이미지 사전 지식의 포함이 재구성 강건성에 어떻게 기여하는가?
• RQ3 비최적의 기준 설계 또는 빔스톱에 의한 데이터 손실 조건에서도 이 방법은 어느 정도 효과를 유지하는가?
• RQ4 제안된 최적화 프레임워크는 레이저 광학 CDI와 같은 실제 실험 데이터에 일반화 가능한가?
• RQ5 지표가 없는 상황에서 깊이 특징 기반의 분포 지표를 사용하여 하이퍼파ram터 선택을 유도할 수 있는가?

주요 결과

• HolOpt-P는 특히 저광자 조건(예: 1 광자/픽셀)에서 위너 필터링, 역필터링, HIO-Holo에 비해 더 높은 재구성 정밀도를 달성하며, 더 적은 잡음 요소를 보인다.
• 고전적 방법에 비해 저주파수 성분 손실과 비최적의 기준 기하학에 더 강건하다.
• 실험적 광학 CDI 데이터에서, 기준선 대비 더 선명한 특징과 줄어든 그림자 잡음 요소를 보이며 정성적으로 열등한 재구성을 제공한다.
• 딥 디코더의 추가로 TV 정규화만으로는 발생하는 미세 구조(예: 수평선)의 과도한 부드러움을 방지할 수 있다.
• Wasserstein 기반 하이퍼파ram터 선택 히우리즘이 최적의 네트워크 깊이를 성공적으로 식별하였으며, 지표 데이터 기반 최소 평균 제곱 오차(MSE)와 상관관계를 보였다.
• 이 프레임워크는 헬로그램 CDI를 넘어서, 페티코그래피 및 자기적 헬로그래피와 같은 다른 단면 회복 모달리티로도 일반화 가능성을 보였다.