ConvRML: High-Quality Lensless Imaging with Random Multi-Focal Lenslets

Resumen Técnico de ConvRML: Imágenes sin Lentes de Alta Calidad con Lentejuelas de Multi-Foco Aleatorias

Planteamiento del Problema
La imagen sin lentes basada en máscaras ofrece una vía para cámaras compactas, de bajo costo y compresivas al reemplazar las lentes tradicionales con finas máscaras de fase. Sin embargo, estos sistemas históricamente han sufrido una mala calidad de reconstrucción debido a problemas inversos mal planteados, desajustes de modelos y las limitaciones del codificador compresivo. Un cuello de botella principal es el compromiso en el diseño del codificador óptico: los codificadores de alta multiplexación (como los difusores) proporcionan la redundancia necesaria para el muestreo compresivo pero reducen el contraste de la medición, particularmente en escenas naturales densas. Por el contrario, los diseños de baja multiplexación suelen carecer de la precisión requerida para una reconstrucción de alta calidad. Además, el desarrollo algorítmico ha procedido mayoritariamente de forma independiente al diseño óptico, con arquitecturas de aprendizaje profundo evaluadas a menudo en conjuntos de datos generados por codificadores de alta multiplexación, lo que deja un vacío en la comprensión de cómo acoplar de la mejor manera los algoritmos modernos con mediciones ópticas de menor multiplexación y mayor calidad.

Metodología
Los autores presentan ConvRML, un sistema que integra avances tanto en el hardware óptico como en la reconstrucción computacional:

1. Codificador Óptico (RML): El sistema utiliza una máscara de fase de Lentejuelas de Multi-Foco Aleatorias (RML). A diferencia de los difusores tradicionales o las matrices de microlentes regulares, la RML consiste en lentejuelas superpuestas con focos variables colocadas en posiciones pseudoaleatorias. Este diseño minimiza las correlaciones entre las copias desplazadas de la Función de Dispersión de Punto (PSF), reduce la multiplexación para preservar el contraste de la medición y mantiene un amplio campo de visión (FOV). La máscara se fabrica mediante litografía de dos fotones de alta resolución, lo que garantiza precisión y reproducibilidad. La naturaleza multifocal de las lentejuelas proporciona una profundidad de foco extendida, reduciendo la sensibilidad al desalineamiento axial.
2. Arquitectura de Reconstrucción: Los autores implementan una arquitectura de aprendizaje profundo basada en ConvNeXt. Se elige esta red neuronal convolucional por su capacidad para lograr campos receptivos efectivos de gran tamaño a través de capas en cascada, lo que le permite manejar las dependencias de largo alcance inherentes a las mediciones multiplexadas sin la sobrecarga computacional o las restricciones arquitectónicas específicas de los modelos basados en atención (por ejemplo, Transformers).
3. Marco de Evaluación Estandarizado: Para aislar los efectos de la codificación óptica del rendimiento algorítmico, los autores construyeron un sistema de imagen paralelo. Este sistema captura simultáneamente escenas utilizando tres sistemas bajo condiciones idénticas: el imager sin lentes RML, un imager sin lentes con difusor estándar y un sistema de lente convencional (que sirve como verdad de terreno/ground truth).
4. Contribución de Conjunto de Datos: Los autores generaron y liberaron como código abierto el Conjunto de Datos de Imagen Paralela (PLD), que contiene 100,000 mediciones para cada sistema (RML, difusor y lente). Este conjunto de datos es significativamente más grande que los benchmarks previos de código abierto (por ejemplo, los 25,000 de DiffuserCam o los 10,000 de PhlatCam) y permite comparaciones controladas entre diferentes codificadores ópticos.

Resultos Clave

• Rendimiento Óptico: El análisis cuantitativo utilizando la Función de Transferencia de Modulación (MTF) y la Información Mutua (MI) demuestra que la RML supera al difusor. La RML preserva frecuencias espaciales más altas y mantiene significativamente más información ante la presencia de ruido de lectura y profundidad de bits limitada del sensor (por ejemplo, cuantización de 4 bits). Mientras que la señal del difusor a menudo colapsa en un solo intervalo de cuantización bajo ruido, la RML retiene características distinguibles.
• Rendimiento de Reconstrucción:
  • Impacto Óptico: Al ser emparejada con la misma arquitectura ConvNeXt, la RML logra una mejora de 2.99 dB en PSNR y un incremento de 0.116 en SSIM sobre el sistema de difusor, confirmando que la mejora en las mediciones ópticas se traduce directamente en reconstrucciones de mayor calidad.
  • Impacto Arquitectónico: En el benchmark de alta multiplexación de DiffuserCam, ConvNeXt alcanzó 25.37 dB de PSNR, superando a arquitecturas de vanguardia basadas en atención (Lensless Imaging Transformer, Swin Transformer, Vision Transformer) y a la línea base de U-Net. Notablemente, ConvNexT logró esto con una capacidad de modelo moderada (36M de parámetros), mientras que modelos de atención más grandes (por ejemplo, Swin Transformer con 59.4M de parámetros) tuvieron un rendimiento inferior.
  • Eficiencia de Datos: El entrenamiento de ConvNeXt en el conjunto de datos RML mostró ganancias de rendimiento hasta las 50,000 mediciones, tras las cuales los rendimientos decrecientes se hicieron evidentes. Esto sugiere que la arquitectura está bien adaptada a este tamaño de conjunto de datos, mientras que los modelos de atención más grandes no se beneficiaron necesariamente de un aumento en la capacidad o en los datos de la misma manera.
• Generalización: Los modelos entrenados de ConvNeXt generalizaron con éxito la reconstrucción de objetos físicos del mundo real (materiales variables como tela, metal y plástico) colocados frente a los sistemas sin lentes, recuperando texturas finas y bordes nítidos que el sistema de difusor no pudo resolver.

Significancia y Reivindicaciones
El artículo afirma que el sistema ConvRML establece un nuevo estándar para la imagen sin lentes de alta calidad al demostrar que un mejoramiento en la calidad de la medición junto con algoritmos potentes y adecuadamente emparejados produce el máximo rendimiento de reconstrucción.

Contribuciones clave incluyen:

1. Hardware: Una máscara de fase RML fabricada con precisión que ofrece una multiplexación reducida y un mejor contraste en comparación con los difusores, fabricada con alta reproducibilidad.
2. Software: Una arquitectura de reconstrucción ConvNeX que supera a los modelos basados en atención, sugiriendo que las redes convolucionales cuidadosamente diseñadas son suficientes para manejar las dependencias de largo alcance en la imagen sin lentes sin la complejidad de los Transformers.
3. Recursos: La liberación del Conjunto de Datos de Imagen Paralela (PLD), el conjunto de datos de imagen sin lentes experimental de código abierto más grande hasta la fecha, que facilita la evaluación estandarizada y el desarrollo futuro de arquitecturas de reconstrucción.

Los autores concluyen que su trabajo proporciona los recursos y la evidencia necesarios para apoyar el desarrollo continuo de imagers sin lentes de alta calidad y compactos, yendo más allá de las limitaciones de los sistemas anteriores de alta multiplexación y baja precisión.