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

Aquí presento un resumen técnico detallado del artículo "Maximum Likelihood Reconstruction for Multi-Look Digital Holography with Markov-Modeled Speckle Correlation" (Reconstrucción de Máxima Verosimilitud para Holografía Digital Multi-Aspecto con Correlación de Speckle Modelada por Markov), traducido y estructurado en español.

---

1. Planteamiento del Problema

La holografía digital y otros sistemas de imagen coherente sufren gravemente de ruido de speckle, un patrón granular causado por la interferencia de ondas coherentes con variaciones de fase aleatorias. Una estrategia común para mitigar este ruido es la adquisición multi-look (multi-observación), donde se toman múltiples mediciones del mismo objeto y se promedian o reconstruyen conjuntamente.

• Supuesto Tradicional: Los métodos existentes asumen que las realizaciones de speckle entre las diferentes observaciones son estadísticamente independientes. Bajo este supuesto, el promediado reduce el ruido eficazmente.
• Limitación Práctica: En la realidad, las limitaciones del hardware (resolución espacial finita, cuantización de fase, imperfecciones en moduladores espaciales de luz) impiden lograr una independencia total. Esto genera correlación inter-observación (inter-look correlation).
• Consecuencia: Cuando los métodos convencionales ignoran esta correlación, asumiendo independencia donde no la hay, el rendimiento de la reconstrucción se degrada significativamente, especialmente bajo condiciones de hardware restrictivas.

El objetivo de este trabajo es desarrollar un marco de reconstrucción que modele explícitamente la dependencia estadística entre las observaciones de speckle para mejorar la recuperación de la reflectividad libre de ruido.

2. Metodología

Los autores proponen un enfoque basado en Estimación de Máxima Verosimilitud (MLE) restringida, que integra un modelo estocástico de correlación y algoritmos de optimización eficientes.

A. Modelado Estocástico (Proceso de Markov)

En lugar de asumir independencia, los autores modelan la evolución del campo de speckle a través de las $L$ observaciones como un proceso de Markov de primer orden:

• La primera observación $g_1$ sigue una distribución compleja gaussiana estándar.
• Las observaciones subsiguientes $g_\ell$ se generan mediante una relación recursiva:
  $$g_\ell = \alpha g_{\ell-1} + \sqrt{1-\alpha^2} u_\ell$$
  Donde $\alpha \in [0, 1]$ es el coeficiente de correlación entre observaciones consecutivas y $u_\ell$ es ruido independiente.
• Esto permite capturar la dependencia temporal/espacial de los patrones de speckle sin asumir independencia total.

B. Formulación del Problema de Máxima Verosimilitud

Basándose en el modelo de Markov, los autores derivan la función de verosimilitud negativa logarítmica aproximada.

• Dado que la presencia de ruido aditivo hace que la secuencia de mediciones no sea estrictamente un proceso de Markov, se utiliza una aproximación de primer orden para la distribución conjunta.
• Se formula un problema de MLE restringido:
  $$\hat{x} = \arg \min_{x \in \mathcal{X}} f_L(x)$$
  Donde $x$ es la reflectividad libre de speckle, $\mathcal{X}$ es un conjunto de imágenes que incorpora conocimientos previos (priors), y $f_L(x)$ es la función de costo derivada del modelo correlacionado.

C. Algoritmo de Optimización Eficiente

Resolver este problema de optimización no convexa es computacionalmente costoso debido a la necesidad de invertir matrices grandes ($S$ y $M$) en cada iteración. Para superar esto, se propone un marco de Descenso de Gradiente Proyectado (PGD) con las siguientes innovaciones:

1. Regularización Implícita (Deep Image Prior - DIP): En lugar de usar un prior aprendido, el conjunto de restricciones $\mathcal{X}$ se parametriza mediante una red neuronal no entrenada (DIP). La proyección se realiza optimizando los pesos de la red en cada paso para que su salida se acerque a la estimación actual.
2. Cálculo de Gradiente sin Matrices (Matrix-Free):
   • Conjugate Gradient (CG): Se utiliza el método del gradiente conjugado para resolver sistemas lineales (como $S^{-1}y$) sin formar explícitamente las matrices inversas, aprovechando la estructura de Fourier del operador de holografía.
   • Aproximación Monte Carlo: Para calcular los términos diagonales de matrices inversas (necesarios para el gradiente), se emplea un método de álgebra lineal aleatorizada. Se generan vectores aleatorios y se promedian los resultados para estimar la diagonal de manera eficiente y escalable.
3. Estimación del Coeficiente de Correlación ($\alpha$): Dado que $\alpha$ es desconocido en la práctica, se propone un estimador basado en las estadísticas de segundo orden de las mediciones ($E[y_\ell y_{\ell-1}^H]$), que se calcula directamente de los datos adquiridos.

3. Contribuciones Clave

1. Modelado de Correlación: Introducción de un modelo de proceso de Markov de primer orden para describir la dependencia entre realizaciones de speckle en sistemas de holografía digital multi-look.
2. Formulación MLE Correlacionada: Desarrollo de una función de verosimilitud que incorpora explícitamente la correlación inter-observación, superando las limitaciones de los métodos que asumen independencia.
3. Algoritmo Escalable: Creación de un algoritmo eficiente que combina PGD, Deep Image Prior y aproximaciones Monte Carlo/Gradiente Conjugado, permitiendo la reconstrucción de imágenes de alta resolución sin el costo prohibitivo de la inversión de matrices densas.
4. Estimación de Parámetros: Propuesta de un método para estimar el coeficiente de correlación $\alpha$ directamente a partir de las mediciones, haciendo el enfoque práctico para su implementación.

4. Resultados de las Simulaciones

Los autores evaluaron su método mediante simulaciones numéricas utilizando imágenes de prueba (como "Peppers" y "Barbara") bajo diversas configuraciones:

• Configuraciones: Se probaron diferentes coeficientes de correlación ($\alpha = 0.2, 0.5, 0.8$), niveles de ruido aditivo, y tipos de aperturas (circulares y anulares).
• Comparativa: Se comparó el método propuesto (usando la función de pérdida correlacionada) contra una línea base que asume independencia ($\alpha=0$) y contra un límite inferior (una sola observación, $L=1$).
• Hallazgos Principales:
  • El método propuesto supera consistentemente a la línea base que ignora la correlación, especialmente cuando $\alpha$ es alto (correlación fuerte).
  • Incluso bajo fuerte correlación ($\alpha=0.8$), el método propuesto logra un rendimiento (medido en PSNR y SSIM) muy cercano al escenario ideal de observaciones independientes.
  • La estimación del coeficiente $\alpha$ resultó ser precisa incluso con ruido moderado y aperturas con baja transparencia.
  • El tiempo de cómputo es manejable (aprox. 20-40 segundos por iteración de PGD para imágenes de 256x256), demostrando la viabilidad de la implementación "matrix-free".

5. Significado e Impacto

Este trabajo es significativo porque aborda una brecha crítica entre la teoría idealizada de la holografía multi-look y las condiciones reales de adquisición.

• Robustez: Demuestra que es posible recuperar imágenes de alta calidad incluso cuando el hardware no puede generar patrones de speckle totalmente independientes, un problema común en sistemas ópticos prácticos.
• Marco General: Proporciona un marco matemático y algorítmico que puede adaptarse a otros sistemas de imagen coherente donde la diversidad de medición es limitada.
• Aplicabilidad: Al evitar la inversión explícita de matrices y utilizar priors de imagen profunda, el método es escalable a resoluciones de imagen altas, lo que es crucial para aplicaciones en microscopía, displays holográficos y visualización a través de medios de dispersión.

En resumen, el artículo propone una solución robusta y computacionalmente eficiente para el problema de la reconstrucción de hologramas en presencia de ruido de speckle correlacionado, validando que modelar explícitamente estas dependencias es esencial para maximizar la calidad de la imagen en entornos reales.