Maximum Likelihood Reconstruction for Multi-Look Digital Holography with Markov-Modeled Speckle Correlation

إليك ملخص تقني مفصل للورقة البحثية بعنوان "إعادة البناء بالاحتمال الأقصى للهولوغرافيا الرقمية متعددة المظاهر مع ارتباط النمش المعتمد على نموذج ماركوف".

1. بيان المشكلة

السياق: في أنظمة التصوير المتماسك مثل الهولوغرافيا الرقمية، تؤدي ضوضاء النمش (التقلبات الحبيبية في الشدة الناتجة عن التداخل الطوري العشوائي) إلى تدهور جودة الصورة بشكل كبير. وتتمثل إحدى استراتيجيات التخفيف القياسية في الاستحواذ متعدد المظاهر (multi-look acquisition)، حيث يتم أخذ قياسات متعددة ويتم حساب متوسطها أو إعادة بنائها بشكل مشترك.
التحدي: تفترض طرق المظاهر المتعددة التقليدية أن أنماط النمش عبر المظاهر المختلفة هي مستقلة إحصائياً. ومع ذلك، في الممارسة العملية، تمنع القيود المادية (مثل دقة المكان المحدودة، وتكميم الطور، والمشتتات غير المثالية) الاستقلال التام، مما يؤدي إلى وجود ارتباط بين المظاهر (inter-look correlation).
النتيجة: عندما يوجد ارتباط ويتم تجاهله، فإن طرق تقدير الاحتمال الأقصى (MLE) القياسية تعامل البيانات المترابطة كأنها مستقلة، مما يؤدي إلى أداء دون المستوى في إعادة البناء وبقاء ضوضاء النمش.
الهدف: يهدف المؤلفون إلى إعادة بناء الانعكاسية الخالية من النمش من قياسات متعددة المظاهر ذات قيم مركبة من خلال نمذجة واستغلال التبعية الإحصائية بين المظاهر بشكل صريح.

2. المنهجية

أ. النمذجة العشوائية (عملية ماركوف)

يقترح المؤلفون نمذجة مجال النمش عبر $L$ من المظاهر كـ عملية ماركوف من الدرجة الأولى.

• النموذج: ليكن $g_\ell$ هو مجال النمش المركب للمظهر $\ell$.
  • $g_1 \sim \mathcal{CN}(0, X)،$ حيث $X = \text{diag}(x)$ و $x$ هي الانعكاسية المستهدفة.
  • بالنسبة لـ $\ell > 1$: $g_\ell = \alpha g_{\ell-1} + \sqrt{1-\alpha^2} u_\ell،$ حيث $u_\ell \sim \mathcal{CN}(0, X)$ و $\alpha \in [0, 1]$ هو معامل الارتباط.
• نموذج القياس: القياس المرصود هو $y_\ell = A g_\ell + z_\ell،$ حيث $A$ هي مصفوفة الاستشعار (نموذج حيود فرينل) و $z_\ell$ هو ضجيج غاوسي مضاف.
• التقريب: نظرًا لأن الضجيج المضاف يكسر خاصية ماركوف الصارمة لقياسات $y_\ell$، فقد اشتق المؤلفون تقريب ماركوف من الدرجة الأولى للاحتمال المشترك $p(y_1, \dots, y_L)$. هذا يقرب التوزيع المشترك كـ $p(y_1) \prod_{\ell=2}^L p(y_\ell | y_{\ell-1})$.

ب. تقدير الاحتمال الأقصى المقيد (MLE)

تتم صياغة إعادة البناء كمسألة تحسين مقيدة:
$$\hat{x} = \arg \min_{x \in \mathcal{X}} f_L(x)$$
حيث $f_L(x)$ هي دالة السلب اللوغاريتمي للاحتمال المشتق من تقريب ماركوف. تتضمن دالة الهدف ما يلي:

1. حد للمظهر الأول: $\log \det S + y_1^H S^{-1} y_1$.
2. حدود شرطية للمظاهر اللاحقة تتضمن المتوسط والتباين الشرطي، حيث $S = AXA^H + \sigma_z^2 I$ و $M = S - \alpha^2 B S^{-1} B$ (مع $B=AXA^H$).
3. الانتظام (Regularization): تفرض المجموعة $\mathcal{X}$ أولويات الصورة. يستخدم المؤلفون النماذج الصورية العميقة (Deep Image Priors - DIP)، حيث يتم تنفيذ خطوة الإسقاط $\Pi_\mathcal{X}$ عن طريق تحسين شبكة عصبية لتناسب التكرار الحالي، مما يعمل كمنظم ضمني.

ج. الخوارزمية الفعالة: الانحدار المتدرج المسقط (PGD)

تعد حل مسألة MLE تحدياً حوسبياً بسبب الحاجة إلى عكس مصفوفات كبيرة ($S$ و $M$) وحساب محدداتها. يقترح المؤلفون إطار عمل انحدار متدرج مسقط قابل للتوسع:

1. حساب التدرج: تم اشتقاق تدرج الدالة غير المحدبة تحليلياً.
2. العمليات الخالية من المصفوفات (Matrix-Free Operations):
   • طريقة التدرج المترافق (Conjugate Gradient - CG): بدلاً من تشكيل وعكس المصفوفات بشكل صريح، تُستخدم طريقة CG لحل الأنظمة الخطية (مثل $S^{-1}y$) من خلال الاستفادة من بنية فوريه لمصفوفة الاستشعار $A$ (باستخدام تحويلات فوريه السريعة FFTs).
   • تقريب مونت كارلو: لحساب الحدود القطرية المطلوبة للتدرج (مثل $\text{diag}(A^H S^{-1} A)$)، يستخدم المؤلفون نهج الجبر الخطي العشوائي. يقومون بتوليد ناقلات اختبار عشوائية، وحل الأنظمة الخطية عبر CG، ومتوسط النتائج لتقدير المدخلات القطرية بشكل غير متحيز.
3. تقدير الارتباط: معامل الارتباط $\alpha$ غير معروف في الممارسة العملية. اشتق المؤلفون مقدراً مغلق الصيغة يعتمد على التباين المشترك للعينة ($E[y_{\ell-1}^H y_\ell]$) وأثر (trace) تباين الإشارة.

3. المساهمات الرئيسية

1. نمذجة النمش بماركوف: أول من قام بنمذجة ارتباط النمش بين المظاهر صراحة في الهولوغرافيا الرقمية باستخدام عملية ماركوف من الدرجة الأولى، متجاوزاً فرضية الاستقلال.
2. صياغة احتمالية مبتكرة: اشتقاق دالة هدف MLE مقيدة تأخذ في الاعتبار القياسات المترابطة، مما يؤدي إلى نموذج إحصائي أكثر دقة.
3. خوارزمية تحسين قابلة للتوسع: تطوير خوارزمية PGD خالية من المصفوفات تجمع بين:
   • حلول التدرج المترافق لعكس المصفوفات.
   • طرق مونت كارلو لتقريب المصفوفات القطرية.
   • النماذج الصورية العميقة للانتظام.
     وهذا يسمح للطريقة بالتوسع إلى صور عالية الدقة دون الحاجة لتخزين مصفوفات ضخمة.
4. المتانة تجاه القيود المادية: تظل الطريقة فعالة حتى عندما تمنع القيود المادية تحقيق إلغاء كامل لارتباط أنماط النمش.

4. النتائج

قيم المؤلفون الطريقة باستخدام محاكاة لصور "Peppers" و "Barbara" تحت ظروف مختلفة (فتحات دائرية/حلقية، مستويات ضوضاء، ومعاملات ارتباط $\alpha$).

• الأداء مقابل الارتباط:
  • مع زيادة معامل الارتباط $\alpha$ (من 0.0 إلى 0.8)، يتدهور أداء الطريقة المرجعية (التي تفترض الاستقلال) بشكل كبير.
  • الطريقة المقترحة تحافظ على أداء عالٍ، حيث تظل ضمن 0.5 ديسيبل من الحد الأعلى المثالي للمظاهر المستقلة حتى عند الارتباط العالي ($\alpha=0.8$).
  • من حيث PSNR و SSIM، تتفوق الطريقة المقترحة باستمرار على الطريقة المرجعية، خاصة في حالات الارتباط العالي ($\alpha > 0$).
• الجودة البصرية: تظهر الصور المعاد بناؤها باستخدام دالة الخسارة المقترحة انخفاضاً ملحوظاً في ضوضاء النمش وحفاظاً أفضل على البنية مقارنة بالطريقة المرجعية عندما يكون $\alpha > 0$.
• الكفاءة: تتقارب الخوارزمية في 50-100 تكرار من PGD. يستغرق كل تكرار حوالي 20-40 ثانية لصورة بحجم $256 \times 256$، مما يثبت الجدوى العملية للتعامل مع صور عالية الدقة.
• تقدير المعلمات: أظهر المقدر المقترح لـ $\alpha$ دقة عالية (متوسط خطأ < 0.02) عبر مستويات ضوضاء وإعدادات فتحات مختلفة.

5. الأهمية

يعالج هذا العمل فجوة حرجة بين استراتيجيات التصوير متعدد المظاهر النظرية والقيود المادية للأجهزة. من خلال الاعتراف بنمط الارتباط بين القياسات ونمذجته، يوفر المؤلفون إطاراً:

• يحسن جودة الصورة: يحقق أداءً مثالياً في إزالة الضجيج حتى عندما لا تستطيع الأجهزة توليد أنماط نمش مستقلة تماماً.
• يتيح النشر الواقعي: يوفر حلاً عملياً لأنظمة الهولوغرافيا الرقمية حيث يكون إلغاء الارتباط التام مستحيلاً بسبب القيود الفيزيائية.
• يوفر كفاءة حوسبية: يثبت أن النماذج الإحصائية المعقدة التي تتضمن عكس المصفوفات يمكن حلها بكفاءة لمسائل التصوير واسعة النط scale باستخدام تقنيات التحسين الحديثة (CG، مونت كارلو، النماذج الصورية العميقة).

الكود مفتوح المصدر، مما يسهل المزيد من الأبحاث في مجال التصوير متعدد المظاهر المترابط والترميم الهولوغرافي.