Fundamental Recovery Bounds for SPAD Signals under Stationary Flux

Resumen Técnico: Límites de Recuperación Fundamentales para Señales de SPAD bajo Flujo Estacionario

Planteamiento del Problema
Las matrices de fotodiodos de avalancha de fotón único (SPAD) ofrecen una sensibilidad extrema y una resolución temporal de picosegundos, lo que permite aplicaciones en imágenes de tiempo de vida de fluorescencia, LiDAR e imágenes de no línea de visión. Sin embargo, los datos de los SPAD son inherentemente estocásticos y discretos, representando eventos de detección en lugar de muestras de intensidad continua. La recuperación de una imagen limpia o un mapa de flujo a partir de estos datos constituye un problema inverso no lineal.

Los sensores SPAD pasivos actuales operan en tres modos distintos, cada uno de los cuales genera estadísticas de señal bruta diferentes:

1. Marcas de Tiempo de Funcionamiento Libre (M1): Registra el tiempo de llegada de cada evento de detección dentro de una ventana de exposición.
2. Bins Binarios (M2): Divide la exposición en bins temporales, reportando únicamente un bit que indica si ocurrió al menos un evento (modo Quanta Image Sensor).
3. Bins con Marca de Tiempo (M3): Un modo con ancho de banda limitado donde cada bin reporta como máximo un evento, incluyendo su tiempo de llegada dentro de dicho bin.

Análisis previos y algoritmos de reconstrucción (específicamente métodos basados en difusión) han tratado estos modos de forma aislada. No existía un marco unificado para comparar los límites fundamentales de recuperabilidad entre estos modos ni para aplicar un único algoritmo de reconstrucción que se adapte a las estadísticas específicas del sensor de cada modo.

Metodología
Los autores proponen un enfoque unificado centrado en la función de puntuación de verosimilitud (el gradiente del log-verosimilitud de los datos brutos con respecto al flujo incidente).

1. Derivación de Funciones de Puntuación y Límites:

   • El artículo deriva las funciones de puntuación de verosimilitud para los tres modos pasivos (M1, M2, M3) desde los primeros principios, contabilizando el tiempo muerto ($\tau_{dead}$) y la ventana de detección ($\tau_{sense}$) del sensor.
   • Utilizando estas funciones de puntuación, los autores derivan el Límite Inferior de Cramér-Rao (CRLB) para estimadores insesgados del flujo de fotones. Esto establece el límite fundamental de la recuperación para cada modo.
   • El marco se extiende al Límite Inferior de Cramér-Rao Bayesiano (BCRLB) mediante la incorporación de un prior aprendido. Esto utiliza un modelo de difusión basado en puntuación (SBD) para aproximar la función de puntuación del prior de la imagen ($\nabla_x \log p(x)$), lo que permite el cálculo de límites de recuperación prácticos que consideran las correlaciones espaciales en imágenes naturales.

2. Algoritmo de Reconstrucción Unificado:

   • Los autores adaptan el Muestreo de Posterior de Difusión (DPS) a los datos de SPAD. Aunque trabajos anteriores aplicaron DPS a datos SPAD binarios, este trabajo lo extiende a casos completos con marcas de tiempo.
   • El algoritmo de reconstrucción (Algoritmo 1) refina iterativamente una estimación de la imagen combinando un prior de puntuación aprendido (de una U-Net entrenada) con la función de puntuación de verosimilitud específica correspondiente al modo de operación del sensor (M1, M2 o M3).
   • Se introduce un paso de adaptación de dominio para mapear el dominio de flujo no negativo al rango $[-1, 1]$ requerido por los modelos de difusión estándar.

Contribuciones Clave

• Análisis Estadístico Unificado: El artículo proporciona la primera derivación unificada de las funciones de puntuación de verosimilitud y los límites de recuperación fundamentales (CRLB) para los tres principales modos de operación pasiva de los SPAD.
• Identificación de una Brecha de Alto Flujo: El análisis revela una diferencia cualitativa de rendimiento ante un flujo de fotones elevado. El error relativo del modo de Bins Binarios (M2) diverge exponencialmente a medida que el flujo aumenta (debido a la saturación), mientras que los modos con marca de tiempo (M1 y M3) se degradan solo de forma lineal. Esto demuestra que registrar los tiempos de los eventos no es simplemente una ganancia incremental, sino una distinción fundamental entre una saturación gradual y una rápida.
• Extensión de los Modelos de Difusión: El trabajo extiende el muestreo de posterior de difusión de datos binarios a datos de SPAD con marcas de tiempo, mediante la derivación e integración de las funciones de puntuación correctas y adaptadas al modo.
• Cálculo del Límite Bayesiano: Los autores demuestran un método para calcular BCRLBs empíricos utilizando una red de puntuación entrenada, proporcionando un límite teórico inferior para el Error Cuadrático Medio (MSE) en tareas de reconstrucción que involucran priors de imágenes naturales.

Resultados

• Límites Teóricos: Las gráficas numéricas del CRLB confirman que, a bajo flujo, todos los modos se comportan de manera similar. Sin embargo, a medida que el flujo aumenta, el modo binario (M2) sufre una pérdida catastrófica en la precisión de la estimación, mientras que los modos con marca de tiempo (M1, M3) mantienen un crecimiento de error lineal. El modo M1 (Funcionamiento Libre) ofrece consistentemente el límite más ajustado, seguido de cerca por M3 (Bins con Marca de Tiempo).
• Rendimiento de Simulación: En simulaciones utilizando el conjunto de datos FFHQ, el método SBD propuesto utilizando la función de puntuación correcta para el modo proporciona un rendimiento significativamente superior a la estimación de Máxima Verosimilitud (ML) y a los enfoques SBD desajustados.
  • Para tasas de eventos medias, el SBD con Marcas de Tiempo de Funcionamiento Libre (M1) alcanzó el PSNR más alto (23 dB) y el SSIM más alto (0.67).
  • El SBD con Bins con Marca de Tiempo (M3) y Bins Binarios (M2) se comportaron de manera similar entre sí (22 dB PSNR), pero fueron inferiores al modo de marca de tiempo continua.
  • Crucialmente, el uso de la función de puntuación incorrecta (por ejemplo, aplicar la puntuación binaria a datos con marca de tiempo) resultó en una degradación de la calidad de la reconstrucción.
• Demostración con Datos Reales: El método fue validado con datos reales de un ventilador en rotación (modo M3) y una escena de túnel. Las reconstrucciones con la función de puntuación M3 correcta produjeron imágenes de alta fidelidad, mientras que el uso de las puntuaciones binarias (M2) o de funcionamiento libre (M1) (que ignoran las restricciones de binning específicas) resultó en artefactos o fallos.

Significancia y Reivindicaciones
El artículo afirma establecer una base común para la recuperación de la detección de fotón único. Al vincular tanto los límites fundamentales como los algoritmos prácticos basados en difusión a la función de puntuación de verosimilitud, el trabajo responde a dos preguntas críticas:

1. ¿Qué es recuperable? El análisis unificado del CRLB cuantifica la pérdida de información fundamental en diferentes modos de sensores, destacando la importancia crítica de las marcas de tiempo para escenarios de alto flujo.
2. ¿Cómo acercarse al límite? El algoritmo propuesto demuestra que ajustar la función de puntuación de la reconstrucción al modo de operación específico del sensor es esencial para lograr resultados de alta fidelidad.

Los autores enfatizan que su alcance se limita a la detección pasiva con flujo estacionario, excluyendo configuraciones activas como TCSPC de láser pulsado. Observan modestamente que, si bien su marco unificado mejora la reconstrucción, el rendimiento está limitado en última instancia por las limitaciones físicas del sensor (tiempo muerto) y la calidad del prior de imagen aprendido. El trabajo no propone nuevo hardware, sino que proporciona las herramientas teóricas y algorítmicas para maximizar la utilidad de las matrices SPAD existentes a través de sus diferentes modos de operación.