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

1. Problématique et Contexte

L'imagerie cohérente, notamment l'holographie numérique, souffre intrinsèquement du bruit de speckle, un phénomène granulaire résultant de l'interférence de ondes cohérentes ayant subi des variations de phase aléatoires. Pour atténuer ce bruit, la stratégie courante est l'acquisition multi-vues (multi-look), qui consiste à capturer plusieurs mesures et à les combiner (par moyennage ou reconstruction conjointe).

Cependant, la plupart des méthodes existantes reposent sur une hypothèse simplificatrice : les réalisations du speckle entre les différentes vues sont statistiquement indépendantes. En pratique, les contraintes matérielles (résolution spatiale limitée des modulateurs de lumière spatiale, quantification de phase, imperfections optiques) empêchent d'atteindre une indépendance totale. Il en résulte une corrélation inter-vues non négligeable qui dégrade les performances des algorithmes de reconstruction classiques, car ils ne tiennent pas compte de cette dépendance statistique.

Le défi central de cet article est donc de reconstruire une réflectivité exempte de speckle à partir de mesures complexes multi-vues corrélées, en modélisant explicitement ces dépendances plutôt que de les ignorer.

2. Méthodologie Proposée

Les auteurs proposent une approche fondée sur l'estimation du Maximum de Vraisemblance (MLE) contrainte, intégrant un modèle stochastique pour la corrélation du speckle.

A. Modélisation de la Corrélation (Processus de Markov)

Au lieu de supposer l'indépendance, les auteurs modélisent l'évolution du champ de speckle $g_\ell$ à travers les vues comme un processus de Markov d'ordre 1 :
$$g_\ell = \alpha g_{\ell-1} + \sqrt{1-\alpha^2} u_\ell$$
où :

• $g_\ell$ est le champ complexe de la vue $\ell$.
• $\alpha \in [0, 1]$ est le coefficient de corrélation entre les vues consécutives.
• $u_\ell$ est un bruit complexe gaussien indépendant.
• $\alpha = 0$ correspond au cas idéal (indépendance totale), tandis que $\alpha > 0$ capture la corrélation réelle.

B. Formulation du Maximum de Vraisemblance

En tenant compte de ce modèle de corrélation et du modèle de formation d'image en holographie (modèle de Fresnel), les auteurs dérivent une fonction de vraisemblance approchée.

• La distribution conjointe des mesures $y_1, \dots, y_L$ est approximée par un modèle de Markov d'ordre 1 pour rendre le problème traitable.
• Cela conduit à une fonction de coût (négatif du log-vraisemblance) $f_L(x)$ qui dépend de la réflectivité $x$, du coefficient de corrélation $\alpha$, et des matrices de covariance conditionnelles.
• Le problème devient une estimation contrainte : $\hat{x} = \arg \min_{x \in \mathcal{X}} f_L(x)$, où $\mathcal{X}$ représente l'ensemble des images admissibles (priors).

C. Algorithme de Résolution : Descente de Gradient Projeté (PGD)

Pour résoudre ce problème d'optimisation non convexe, les auteurs développent un cadre de Descente de Gradient Projeté (PGD) :

1. Mise à jour par gradient : Une étape de gradient est effectuée pour minimiser la fonction de vraisemblance.
2. Projection (Régularisation) : Une étape de projection sur l'ensemble $\mathcal{X}$ est réalisée en utilisant un Deep Image Prior (DIP). Cela permet d'incorporer des connaissances a priori sur la structure de l'image sans nécessiter d'entraînement préalable d'un réseau de neurones.

D. Efficacité Computationnelle (Sans Matrice)

Le calcul du gradient de la fonction de vraisemblance implique l'inversion de grandes matrices (de taille $n \times n$, où $n$ est la taille de l'image), ce qui est prohibitif. Pour contourner cela, l'article propose une approche sans matrice (matrix-free) :

• Méthode du Gradient Conjugué (CG) : Utilisée pour résoudre les systèmes linéaires impliquant les matrices inverses (ex: $S^{-1}y$) sans former explicitement les matrices, en exploitant la structure de transformée de Fourier de l'opérateur de sensibilité (modèle de Fresnel).
• Approximation Monte Carlo : Utilisée pour estimer efficacement les termes diagonaux de matrices complexes (ex: $\text{diag}(A^H S^{-1} A)$) en utilisant des vecteurs aléatoires, évitant ainsi le calcul direct de l'inverse complet.
• Estimation du paramètre $\alpha$ : Un estimateur simple basé sur les moments statistiques des mesures est proposé pour déterminer le coefficient de corrélation $\alpha$ directement à partir des données, sans connaissance préalable.

3. Contributions Clés

1. Modélisation Markovienne : Introduction d'un processus de Markov d'ordre 1 pour capturer les dépendances inter-vues du speckle dans l'holographie numérique, une première dans ce contexte spécifique.
2. Formulation MLE Contrainte : Développement d'une fonction de vraisemblance explicite qui intègre la corrélation $\alpha$, transformant le problème de reconstruction en un problème d'optimisation non convexe mais traitable.
3. Algorithme Évolutive : Conception d'un algorithme PGD combinant des priors profonds (DIP) et des techniques d'algèbre linéaire stochastique (CG + Monte Carlo) pour permettre une reconstruction haute résolution sans inversion de matrice explicite.
4. Estimation Automatique : Proposition d'une méthode pour estimer le coefficient de corrélation $\alpha$ à partir des mesures brutes, rendant le système applicable sans calibration fine préalable.

4. Résultats Expérimentaux

Les simulations ont été menées sur des images de test (ex: "Peppers", "Barbara") avec différents paramètres :

• Conditions : Différents coefficients de corrélation ($\alpha = 0.2, 0.5, 0.8$), différents types d'apertures (circulaires et annulaires), et différents niveaux de bruit.
• Comparaison : La méthode proposée a été comparée à une méthode de base (MLE standard) qui suppose une indépendance totale des vues ($\alpha=0$).
• Performance :
  • La méthode proposée surpasse systématiquement la méthode de base, surtout lorsque la corrélation est forte ($\alpha$ élevé).
  • Même avec une forte corrélation ($\alpha=0.8$), la méthode proposée atteint des performances (PSNR et SSIM) très proches du cas idéal de vues indépendantes, là où la méthode de base subit une dégradation significative.
  • L'estimation du paramètre $\alpha$ s'est révélée précise, même avec un bruit modéré.
  • L'algorithme converge en un nombre raisonnable d'itérations (50-100 itérations PGD), avec un temps de calcul par itération de l'ordre de 20-40 secondes pour des images 256x256, grâce à l'utilisation des FFT.

5. Signification et Conclusion

Ce travail démontre que l'hypothèse d'indépendance des vues, souvent utilisée par commodité, est une limitation majeure dans les systèmes d'imagerie réels où les contraintes matérielles induisent des corrélations. En modélisant explicitement ces corrélations via un processus de Markov et en développant un algorithme d'optimisation efficace pour le résoudre, les auteurs offrent un cadre robuste pour la reconstruction holographique.

La signification de cette recherche réside dans sa capacité à récupérer la qualité d'image dans des conditions d'acquisition réalistes (où la diversité des vues est imparfaite), évitant ainsi le besoin d'un matériel optique plus complexe pour générer une indépendance parfaite. L'approche proposée est scalable et applicable à des systèmes haute résolution, ouvrant la voie à des applications pratiques en imagerie cohérente où la qualité de reconstruction est critique.