计算成像中的深度光学编码设计
计算机视觉与模式识别
2022-08-18 v2
摘要
计算光学成像(COI)系统在其装置中利用光学编码元件(CE)将高维场景编码为单次或多次快照,并通过计算算法进行解码。COI系统的性能高度依赖于其主要组件的设计:CE图案以及用于执行给定任务的计算方法。传统方法依赖随机图案或解析设计来设定CE的分布。然而,深度神经网络(DNN)的可用数据与算法能力为CE数据驱动设计开辟了新视野,其联合考虑光学编码器与计算解码器。具体而言,通过基于物理光传播及其与CE相互作用的全可微图像形成模型对COI测量进行建模,定义CE和计算解码器的参数可以端到端(E2E)方式进行优化。此外,在同一框架中仅优化CE,可从纯光学执行推理任务。本工作综述了CE数据驱动设计的最新进展,并提供了如何参数化不同光学元件以将其纳入E2E框架的指南。由于E2E框架可通过改变损失函数和DNN处理不同推理应用,我们展示了诸如光谱成像重建等底层任务,以及诸如姿态估计等高层任务,并通过使用基于任务的最优光学架构增强隐私保护。最后,我们展示了利用全光学DNN以光速执行的分类与3D物体识别应用。
引用
@article{arxiv.2207.00164,
title = {Deep Optical Coding Design in Computational Imaging},
author = {Henry Arguello and Jorge Bacca and Hasindu Kariyawasam and Edwin Vargas and Miguel Marquez and Ramith Hettiarachchi and Hans Garcia and Kithmini Herath and Udith Haputhanthri and Balpreet Singh Ahluwalia and Peter So and Dushan N. Wadduwage and Chamira U. S. Edussooriya},
journal= {arXiv preprint arXiv:2207.00164},
year = {2022}
}