Quantum Imaging via Kurtosis-Difference Weighted Covariance on 2D Camera

Resumen Técnico: Imagen Cuántica mediante Covarianza Ponderada por Diferencia de Curtosis en Cámara 2D

Planteamiento del Problema
La imagen cuántica basada en cámaras que utiliza pares de fotones espacialmente entrelazados de la conversión paramétrica descendente espontánea (SPDC) ofrece ventajas en resolución espacial y relación señal-ruido (SNR) sobre la imagen clásica. Sin embargo, extraer correlaciones espaciales débiles de los datos de la cámara es un desafío debido al ruido, las coincidencias accidentales y las imperfecciones de los detectores integradas sobre las ventanas de exposición. Los métodos de covarianza convencionales, que dependen de estadísticas de segundo orden, suelen requerir decenas de miles de fotogramas para acumular estadísticas suficientes, lo que restringe la obtención de imágenes a muestras estables y tiempos de adquisición prolongados.

Una limitación específica surge al utilizar cristales no lineales gruesos para aumentar el flujo de fotones. Los cristales gruesos generan pares de fotones desde múltiples posiciones de emisión, lo que resulta en centros de correlación distribuidos en lugar de una geometría de emparejamiento única y simétrica. El análisis de covarianza convencional asume un centro de correlación único y preseleccionado; cuando se aplica a datos de múltiples centros, empareja incorrectamente fotones de diferentes posiciones de emisión, mezclando correlaciones reales con coincidencias accidentales y degradando la calidad de la imagen. Las estrategias existentes de múltiples centros requieren el conocimiento previo de las geometrías de emparejamiento para preseleccionar los centros, lo que puede omitir pares correlacionados válidos. Existe la necesidad de un método que pueda identificar automáticamente los pares correlacionados sin preselección geométrica.

Metodología
Los autores proponen un método que pondera la covarianza de pares de píxeles utilizando la diferencia de curtosis absoluta ($\delta$), una estadística de cuarto orden que mide la similitud de las colas en las distribuciones de intensidad.

• Base Teórica: En regímenes de SPDC de bajo flujo, la generación de pares de fotones es un evento raro, lo que se manifiesta como picos de alta intensidad en las colas de las distribuciones de intensidad de los píxeles. Los píxeles correlacionados (que detectan fotones de la misma posición de emisión de SPDC) comparten estadísticas de eventos raros similares y, por lo tanto, exhiben distribuciones de cola pesada y valores de curtosis similares. Los píxeles no correlacionados (que detectan fotones de posiciones de emisión independientes) tienen estadísticas de cola distintas.
• Diferencia de Curtosis: El método calcula la curtosis excedente ($\kappa$) para cada píxel basándose en su serie temporal de intensidad. La diferencia absoluta $\delta = |\kappa_i - \kappa_j|$ sirve como una métrica de compatibilidad de pares. Para pares simétricos (correlacionados), $\delta$ es pequeño debido a las fluctuaciones sincrónicas; para pares asimétricos (no correlacionados), $\delta$ es grande debido a las fluctuaciones independientes.
• Reconstrucción Ponderada: La intensidad reconstruida $I_{recon, i}$ se calcula sumando la covarianza del píxel $i$ con todos los píxeles candidatos $j$, ponderada por una función exponencial de la diferencia de curtosis:
  $$I_{recon, i} = \sum_{j} \text{Cov}(I_i, I_j) \cdot w_{ij}$$
  $$w_{ij} = \exp(-\delta / \kappa_0)$$
  Aquí, $\kappa_0$ es un parámetro de escala característico. Este esquema de ponderación preserva las contribuciones de covarianza de los pares con estadísticas de cola similares ( $\delta$ pequeño) mientras suprime exponencialmente las contribuciones de pares con estadísticas disímiles ( $\delta$ grande).
• Configuración Experimental: El método fue validado utilizando una fuente de SPDC Tipo-I con un cristal $\beta$-BBO bombeado por un láser de onda continua (CW) de 405 nm, que genera pares de fotones degenerados de 810 nm. Se colocó un objetivo de resolución USAF en la trayectoria de la señal y se capturaron las imágenes utilizando una cámara EMCCD. El experimento operó en un régimen de bajo flujo (promedio <1 fotón por píxel por fotograma) con conjuntos de datos que variaron de 5,000 a 200,000 fotogramas.

Contribuciones Clave

1. Discriminación Estadística sin Calibración Geométrica: El método identifica pares de píxeles correlacionados basándose en la similitud de las estadísticas de cola en lugar de la simetría geométrica. Esto elimina la necesidad de una calibración precisa de los centros de correlación, permitiendo que el método se adapte a múltiples geometrías de emparejamiento causadas por cristales gruesos o aberraciones ópticas.
2. Desempeño de Discriminación Superior: El análisis de la curva ROC (característica operativa del receptor) demostró que la diferencia de curtosis supera al coeficiente de correlación de Pearson en la distinción de pares de píxeles simétricos de asimétricos. La diferencia de curtosis alcanzó un Área Bajo la Curva (AUC) de 0.830, en comparación con el 0.658 del coeficiente de correlación.
3. Reconstrucción Eficiente de Imágenes: Al combinar la covarianza (que identifica la fuerza de la coincidencia) con la ponderación de curtosis (que identifica la probabilidad de emparejamiento), el método logra una reconstrucción de alta calidad con significativamente menos fotogramas.

Resultados

• Separación Estadística: En una búsqueda de 500 fotogramas, los pares de píxeles simétricos mostraron una diferencia de curtosis media ($\langle \delta \rangle$) de 9.34, mientras que los pares asimétricos mostraron 44.39, representando una separación de 4.75 veces.
• Calidad de Imagen: Al reconstruir un objetivo de resolución USAF, el método de Covarianza Ponderada por Curtosis (KWC) produjo imágenes con una definición de bordes más nítida y un ruido de fondo menor en comparación con la covarianza estándar (COV) y la acumulación directa (ACC).
• Resolución y CNR:
  • Resolución: El KWC logró un FWHM (ancho completo a la mitad del máximo) de $5.92 \pm 0.51$ píxeles, una mejora del 37% respecto a la acumulación directa y una mejora del 15% respecto a la covarianza estándar.
  • Relación Señal-Ruido (CNR): A 200,000 fotogramas, el KWC logró un CNR de 13.68, que es 2.1 veces mejor que la covarianza estándar (CNR = 6.43).
• Eficiencia de Fotogramas: El resultado más significativo es la reducción en el tiempo de adquisición. El KWC alcanzó un CNR > 7 con solo 5,000 fotogramas. La covarianza estándar requirió 200,000 fotogramas para lograr un rendimiento comparable, lo que representa una reducción de 40 veces en el tiempo de adquisición.

Significancia y Reivindicaciones
El artículo afirma que este método permite la implementación práctica de la imagen cuántica basada en cámaras en regímenes de fotones correlacionados dispersos donde los métodos convencionales fallan debido a los largos tiempos de adquisición. Al aprovechar las estadísticas de cuarto orden (curtosis) para filtrar el ruido y seleccionar pares válidos, el método supera las limitaciones de las suposiciones de centro único inherentes a las fuentes de SPDC de cristales gruesos. Los autores sostienen que, si bien el método no sirve como testigo de entrelazamiento, proporciona una herramienta práctica para extraer correlaciones espaciales identificando pares de píxeles que comparten estadísticas de fotones dispersos similares. El enfoque permite la explotación de correlaciones de múltiples posiciones de emisión sin conocimiento geométrico previo, mejorando significativamente la viabilidad de las aplicaciones de imagen cuántica que requieren alta velocidad o bajo flujo de fotones.