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

1. Problemstellung

In kohärenten Bildgebungssystemen, wie der digitalen Holographie, ist Speckle-Rauschen ein Hauptproblem, das die Bildqualität erheblich verschlechtert. Eine gängige Strategie zur Rauschunterdrückung ist die Multi-Look-Akquisition, bei der mehrere Messungen durchgeführt und anschließend gemittelt oder gemeinsam rekonstruiert werden.

• Herausforderung: Herkömmliche Methoden gehen davon aus, dass die Speckle-Muster über die verschiedenen „Looks" (Messungen) statistisch unabhängig sind. In der Praxis ist dies jedoch aufgrund von Hardwarebeschränkungen (z. B. begrenzte räumliche Auflösung von räumlichen Lichtmodulatoren, Phasenquantisierung) oft nicht der Fall.
• Folge: Es entsteht eine Korrelation zwischen den Looks (Inter-Look-Korrelation). Wenn diese Korrelation ignoriert wird, verschlechtert sich die Leistung der Rekonstruktionsalgorithmen erheblich, da die Annahme der Unabhängigkeit verletzt ist.
• Ziel: Die Entwicklung eines Rekonstruktionsverfahrens, das die statistische Abhängigkeit zwischen den Speckle-Messungen explizit modelliert und nutzt, um eine rauschfreie Reflexivität ($x$) aus komplexwertigen Messungen zu schätzen.

2. Methodik

Die Autoren schlagen einen Ansatz vor, der auf der Maximum-Likelihood-Schätzung (MLE) basiert, erweitert um ein stochastisches Modell für die Korrelation.

A. Stochastisches Modell (Markov-Prozess)

Anstatt Unabhängigkeit anzunehmen, modellieren die Autoren die Speckle-Felder $g_\ell$ über die $L$ Looks als First-Order-Markov-Prozess:

• Der erste Look ist vollständig entwickelt: $g_1 \sim \mathcal{CN}(0, X)$.
• Für nachfolgende Looks ($\ell = 2, \dots, L$) gilt:
  $$g_\ell = \alpha g_{\ell-1} + \sqrt{1-\alpha^2} u_\ell$$
  wobei $u_\ell \sim \mathcal{CN}(0, X)$ unabhängige Zufallsvektoren sind und $\alpha \in [0, 1]$ den Korrelationskoeffizienten darstellt.
• Da das additive Sensorrauschen $z_\ell$ die Markov-Eigenschaft der Messungen $y_\ell$ bricht, wird die gemeinsame Wahrscheinlichkeitsdichte durch eine First-Order-Näherung approximiert:
  $$p(y_1, \dots, y_L) \approx p(y_1) \prod_{\ell=2}^L p(y_\ell | y_{\ell-1})$$

B. Zielfunktion (Negative Log-Likelihood)

Basierend auf diesem Modell wird eine neue Zielfunktion $f_L(x)$ hergeleitet, die die bedingten Verteilungen der Messungen unter Berücksichtigung der Korrelation $\alpha$ nutzt. Dies führt zu einem eingeschränkten Optimierungsproblem:
$$\hat{x} = \arg \min_{x \in \mathcal{X}} f_L(x)$$
wobei $\mathcal{X}$ eine Menge von Bildern ist, die Vorwissen (Priors) kodiert.

C. Algorithmische Lösung

Das resultierende Optimierungsproblem ist nicht-konvex und rechenintensiv, da es Matrixinversionen großer Dimensionen erfordert. Die Autoren entwickeln einen effizienten Projected Gradient Descent (PGD)-Algorithmus:

1. Regularisierung (Deep Image Prior - DIP):
   Der Projektionsschritt $\Pi_\mathcal{X}$ wird durch ein untrainiertes neuronales Netzwerk (Deep Image Prior) implementiert. Dies dient als impliziter Regularisierer, um die Lösung auf natürliche Bilder zu beschränken, ohne externe Trainingsdaten zu benötigen.

2. Effiziente Gradientenberechnung:
   Die Berechnung des Gradienten der Likelihood-Funktion erfordert Operationen mit den Matrizen $S^{-1}$ und $M^{-1}$, was bei hohen Auflösungen prohibitive Speicher- und Rechenkosten verursachen würde. Um dies zu lösen, werden zwei Techniken kombiniert:

   • Conjugate Gradient (CG): Anstatt Matrizen explizit zu invertieren, werden lineare Gleichungssysteme iterativ gelöst. Dies nutzt die spezielle Struktur der Sensormatrix $A$ (basierend auf der Fresnel-Optik und FFT), um Matrix-Vektor-Multiplikationen ohne explizite Matrixbildung durchzuführen.
   • Monte-Carlo-Näherung: Um die Diagonalelemente von Matrizenprodukten (wie $\text{diag}(A^H S^{-1} A)$) zu schätzen, die für den Gradienten bezüglich $x$ notwendig sind, wird eine randomisierte Monte-Carlo-Methode verwendet. Dabei werden Zufallsvektoren generiert, um die Diagonalelemente unverzerrt zu schätzen.

3. Schätzung des Korrelationskoeffizienten ($\alpha$):
   Da $\alpha$ in der Praxis unbekannt ist, wird ein einfacher Schätzer basierend auf den Messstatistiken ($E[y_\ell y_{\ell-1}^H]$) vorgeschlagen, der in den Simulationen als robust erwiesen wurde.

3. Wichtige Beiträge

1. Modellierung der Abhängigkeit: Erster Ansatz, der die Inter-Look-Korrelation in der digitalen Holographie explizit durch einen Markov-Prozess modelliert und in die Likelihood-Funktion integriert.
2. Formulierung des MLE-Problems: Herleitung einer eingeschränkten Maximum-Likelihood-Schätzung, die die Korrelation $\alpha$ berücksichtigt, im Gegensatz zu herkömmlichen Methoden, die Unabhängigkeit annehmen.
3. Skalierbarer Algorithmus: Entwicklung eines PGD-Frameworks, das Matrixinversionen vermeidet und durch die Kombination von CG und Monte-Carlo-Approximationen auch für hochauflösende Bilder skalierbar ist.
4. Integration von Deep Image Priors: Nutzung von DIP als Projektionsoperator, um die Rekonstruktion ohne externe Trainingsdaten zu regularisieren.

4. Ergebnisse

Die Leistung des vorgeschlagenen Verfahrens wurde in Simulationen mit verschiedenen Szenarien (kreisförmige und ringförmige Aperturen, verschiedene Rauschniveaus und Korrelationsgrade $\alpha$) bewertet.

• Robustheit bei Korrelation: Das vorgeschlagene Verfahren (mit Verlustfunktion (18)) übertrifft konsistent den Baseline-Ansatz (mit Verlustfunktion (4), der Unabhängigkeit annimmt), insbesondere bei starken Korrelationen ($\alpha = 0.8$).
• Leistungsniveau: Selbst bei hoher Korrelation erreicht die Methode eine PSNR, die nur ca. 0,5 dB unter dem idealen Fall (vollständig unabhängige Looks, $\alpha=0$) liegt.
• Visuelle Qualität: Die rekonstruierten Bilder zeigen deutlich weniger Artefakte und besseres Detail bei korrelierten Messungen im Vergleich zur Baseline.
• Effizienz: Der Algorithmus ist rechen effizient. Für ein 256x256 Bild dauert eine PGD-Iteration ca. 20–40 Sekunden, wobei die Konvergenz in 50–100 Iterationen erreicht wird. Die Nutzung von FFT und CG ermöglicht die Skalierbarkeit.

5. Bedeutung und Ausblick

Dieses Paper adressiert eine kritische Lücke in der digitalen Holographie: die Diskrepanz zwischen der theoretischen Annahme unabhängiger Speckle-Muster und der praktischen Realität korrelierter Messungen.

• Praktische Relevanz: Die Methode ermöglicht hochwertige Rekonstruktionen auch unter suboptimalen Hardware-Bedingungen, wo eine vollständige Dekorrelation nicht möglich ist.
• Methodischer Fortschritt: Die Kombination aus stochastischer Modellierung (Markov), statistischer Inferenz (MLE) und modernen Deep-Learning-Techniken (DIP) in einem matrixfreien Framework ist ein vielversprechender Ansatz für inverse Probleme in der Bildgebung.
• Zukünftige Arbeiten: Die Autoren planen, das Framework auf reale experimentelle Daten anzuwenden, um die Robustheit gegenüber Modellabweichungen (z. B. nicht-Gaußsches Rauschen, Kalibrierungsfehler) zu testen.

Zusammenfassend bietet diese Arbeit einen robusten und effizienten Rahmen für die Multi-Look-Rekonstruktion in der digitalen Holographie, der die physikalischen Grenzen der Messsysteme durch explizite Modellierung der Korrelation überwindet.