深度学习驱动的、具有不确定性近似的可靠单像素成像
图像与视频处理
2021-07-27 v1 机器学习
摘要
单像素成像 (SPI) 具有在宽波长范围内高速采集和系统紧凑性的优势，这是传统成像传感器难以实现的。然而，一个常见的挑战是欠采样导致的低图像质量。深度学习 (DL) 是计算成像中一种新兴且强大的工具，适用于许多应用，研究人员已将 DL 应用于 SPI，以实现比传统重建方法更高的图像质量。然而，一个突出的挑战是，在无法获知真实值 (ground truth) 的实际应用中，无法评估 SPI 中 DL 预测的准确性。在此，我们提出使用贝叶斯卷积神经网络 (BCNN) 来近似 SPI 中 DL 预测的不确定性（源于有限的训练数据和网络模型）。BCNN 预测结果中的每个像素代表概率分布的参数，而非图像强度值。然后，可以通过在训练阶段最小化负对数似然损失函数，并在预测阶段使用蒙特卡洛丢弃 (Monte Carlo dropout) 来用 BCNN 近似不确定性。结果表明，BCNN 能够在不同的压缩比和噪声水平下可靠地近似 SPI 中 DL 预测的不确定性。BCNN 在 SPI 中预测的不确定性揭示了基于深度学习的 SPI 中的大部分重建误差来自图像特征的边缘。结果表明，所提出的 BCNN 可以为近似 SPI 中 DL 预测的不确定性提供可靠的工具，并可广泛应用于 SPI 的许多应用中。
引用
@article{arxiv.2107.11678,
title = {Deep-learning-driven Reliable Single-pixel Imaging with Uncertainty Approximation},
author = {Ruibo Shang and Mikaela A. O'Brien and Geoffrey P. Luke},
journal= {arXiv preprint arXiv:2107.11678},
year = {2021}
}
备注
19 pages, 4 figures