计算成像系统分析框架及其实际应用
计算机视觉与模式识别
2014-03-14 v3
摘要
过去十年中，提出了许多计算成像（CI）系统用于运动去模糊、散焦去模糊和多光谱成像等任务。这些技术通过复用增加到达传感器的光量，然后通过适当的重建算法消除复用的有害影响。鉴于这些技术引起的广泛关注和巨大热情，详细分析这种方法带来的性能优势非常重要。不幸的是，对CI的详细分析已被证明是一个具有挑战性的问题，因为性能同样取决于三个组成部分：（1）光学复用，（2）传感器的噪声特性，以及（3）重建算法。最近的一些论文考虑了复用和噪声特性进行了分析。然而，在大多数利用信号先验模型的最先进重建算法下对CI系统的分析已被证明是难以处理的。在本文中，我们提出了一个包含所有三个组成部分的综合分析框架。为了进行这种分析，我们使用高斯混合模型（GMM）对信号先验进行建模。GMM先验具有两个独特的特点。首先，GMM满足通用逼近性质，即任何先验密度函数都可以使用具有适当混合数量的GMM逼近到任意精度。其次，GMM先验具有解析可处理性，使我们能够推导出“最小均方误差”（MMSE）的简单表达式，我们将其用作表征CI系统性能的度量。我们使用我们的框架分析了几种先前提出的CI技术，对问题给出了结论性答案：“性能增益有多少来自信号先验的使用，有多少来自复用？”
引用
@article{arxiv.1308.1981,
title = {A Framework for the Analysis of Computational Imaging Systems with Practical Applications},
author = {Kaushik Mitra and Oliver Cossairt and Ashok Veeraraghavan},
journal= {arXiv preprint arXiv:1308.1981},
year = {2014}
}