[論文レビュー] prDeep: Robust Phase Retrieval with Flexible Deep Neural Networks.

Christopher A. Metzler, Philip Schniter+2 more|arXiv (Cornell University)|Mar 1, 2018

Advanced X-ray Imaging Techniques参考文献 25被引用数 7

ひとこと要約

prDeepは、畳み込みニューラルネットワーク（CNN）を用いた深層学習ベースの位相再構成手法を提案する。ノイズに強く、多様な測定モデルに対応できる柔軟性を向上させる。データ駆動型の事前知識を学習することで、従来手法に比べてノイズや非理想的な条件下でも高速かつ高分解能の再構成を実現する。

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.

研究の動機と目的

• 従来の位相再構成アルゴリズムがノイズ環境や制限的な測定モデル下で示す限界を克服すること。
• さまざまなイメージングシステムに適応可能な柔軟性があり、高速かつロバストな位相再構成フレームワークを開発すること。
• 深層学習を活用して、不切実な仮定に依存せずに効果的な画像事前知識を学習し、再構成品質を向上させること。
• リアルタイムまたは高スルーレートのコンピュータビジョン応用に適した高分解能位相再構成を可能にすること。

提案手法

• prDeepは、畳み込みニューラルネットワーク（CNN）を用いて位相再構成最適化問題を正則化し、データから画像事前知識を学習する。
• ノイズレベルやシステムモデルのばらつきを考慮した、シミュレートされた位相再構成データ上でエンドツーエンドに訓練される。
• 物理ベースの再構成パイプライン内にCNNを事前知識として統合する微分可能最適化フレームワークを採用する。
• プローブトグラフィーやスパーキル相関イメージングに該当する測定モデルに対しても柔軟に対応可能である。
• 反復的ソルバーに代えて学習された推論ステップを導入することで、再構成を高速化し、リアルタイム性能を実現する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、ノイズに対する耐性を高めるために位相再構成を効果的に正則化できるか？
• RQ2 提案手法は、ガウス分布でないノイズや複雑なシステムを含む、さまざまな測定モデルにどれほど一般化できるか？
• RQ3 従来のソルバーに比べて、計算時間を大幅に短縮しつつも高分解能の再構成を達成できるか？
• RQ4 データ駆動型事前知識が、人為的に設計された事前知識に比べて、位相再構成でどれほど優れた性能を発揮するか？

主な発見

• prDeepは、従来の位相再構成アルゴリズムに比べてノイズに対して優れた耐性を示し、信号対ノイズ比が低い状況下でも高い再構成忠実度を維持する。
• 高速な推論速度を達成しており、高分解能およびリアルタイムイメージング応用に適している。
• 再訓練を必要とせずに、プローブトグラフィーやスパーキル相関イメージングで用いられる多様な測定モデルに一般化可能である。
• CNNが学習した事前知識は、ガウスノイズや符号化回折パターンといった不切実な仮定に依存する従来手法よりも、再構成品質を顕著に向上させる。