[论文解读] A semidiscrete version of the Citti-Petitot-Sarti model as a plausible model for anthropomorphic image reconstruction and pattern recognition

Dario Prandi, Jean-Paul Gauthier|arXiv (Cornell University)|Apr 10, 2017

Morphological variations and asymmetry被引用 8

一句话总结

本文提出了一种在群 $SE(2,N)$ 上的 Citti-Petitot-Sarti 子黎曼模型的半离散版本，该群是 $SE(2)$ 的有限旋转近似，使得调和分析更简单，并提升了图像重建与模式识别性能。该模型利用左不变结构和极大几乎周期群的性质，实现了具有坚实理论基础的高效、实用算法。

ABSTRACT

In his beautiful book [66], Jean Petitot proposes a sub-Riemannian model for the primary visual cortex of mammals. This model is neurophysiologically justified. Further developments of this theory lead to efficient algorithms for image reconstruction, based upon the consideration of an associated hypoelliptic diffusion. The sub-Riemannian model of Petitot and Citti-Sarti (or certain of its improvements) is a left-invariant structure over the group $SE(2)$ of rototranslations of the plane. Here, we propose a semi-discrete version of this theory, leading to a left-invariant structure over the group $SE(2,N)$, restricting to a finite number of rotations. This apparently very simple group is in fact quite atypical: it is maximally almost periodic, which leads to much simpler harmonic analysis compared to $SE(2).$ Based upon this semi-discrete model, we improve on previous image-reconstruction algorithms and we develop a pattern-recognition theory that leads also to very efficient algorithms in practice.

研究动机与目标

• 基于子黎曼几何，开发一种简化且计算上可行的初级视觉皮层模型。
• 通过将旋转对称性限制在有限个角度集合内，改进图像重建与模式识别算法。
• 利用 $SE(2,N)$ 的极大几乎周期结构，实现比连续 $SE(2)$ 群更高效的调和分析。
• 弥合视觉感知的神经生理学模型与计算机视觉中可实现的实用算法之间的鸿沟。
• 提供一个兼具生物学合理性与计算高效性的理论与算法框架。

提出的方法

• 在群 $SE(2,N)$ 上构建半离散子黎曼模型，将旋转限制在有限离散的角度集合内。
• 在 $SE(2,N)$ 上构造左不变的黎曼结构，保留原始 $SE(2)$ 模型的关键几何特性。
• 利用 $SE(2,N)$ 的极大几乎周期性质，简化调和分析，实现群表示的高效计算。
• 设计在 $SE(2,N)$ 上的拟椭圆扩散过程，以模拟初级视觉皮层中的神经整合。
• 基于半离散模型实现图像重建与模式识别算法，利用群论工具和有限群上的高效傅里叶分析。
• 整合先前关于插值与子黎曼几何的研究成果，以完善模型的理论与算法基础。

实验结果

研究问题

• RQ1 对 $SE(2)$ 群的有限旋转近似是否能保留原始 Citti-Petitot-Sarti 模型的神经生理学与几何特性？
• RQ2 与连续 $SE(2)$ 群相比，$SE(2,N)$ 的半离散结构如何简化调和分析？
• RQ3 该半离散模型在多大程度上能提升图像重建与模式识别算法的效率与准确性？
• RQ4 极大几乎周期性对子黎曼模型在视觉处理中的计算可处理性有何影响？
• RQ5 如何将子黎曼几何的理论框架适配到离散有限群上，同时保持生物学合理性？

主要发现

• $SE(2,N)$ 的半离散群是极大几乎周期的，使得其调和分析显著简化于连续 $SE(2)$ 群。
• 所提出的模型因 $SE(2,N)$ 上调和分析的可处理性，使得图像重建算法更加高效。
• 该模型支持开发基于神经生理学原理的实用且高性能的模式识别算法。
• 有限旋转结构在降低计算复杂度的同时，保留了原始 $SE(2)$ 模型的关键几何与动力学特征。
• 整合先前关于插值与子黎曼几何的研究成果，增强了模型的理论稳健性与适用性。
• 该方法获得了多项研究资助与合作支持，表明其具有坚实的学术与技术验证。