Learning Binary Sampling Patterns for Single-Pixel Imaging using Bilevel Optimisation

Riassunto Tecnico: Apprendimento di Pattern di Campionamento Binario per l'Imaging a Singolo Pixel tramite Ottimizzazione Bilevel

1. Il Problema

L'Imaging a Singolo Pixel (SPI) è una tecnica che permette di ricostruire immagini utilizzando un unico fotodiodo invece di un array di sensori (come i sensori CMOS). Questo avviene illuminando l'oggetto con una sequenza di pattern di luce strutturata. Sebbene l'SPI sia estremamente efficace in applicazioni biomediche (come la microscopia a fluorescenza) e in bande spettrali costose (infrarosso, terahertz), presenta due sfide critiche:

• Vincoli Hardware: I dispositivi di modulazione spaziale (come i Digital Micromirror Devices - DMD) supportano solo pattern binari (on/off).
• Efficienza di Campionamento: In regimi di forte sottocampionamento (poche misurazioni rispetto ai pixel dell'immagine), la scelta dei pattern determina la qualità della ricostruzione e la velocità di acquisizione. I pattern classici (come Hadamard o Gaussiani) spesso generano artefatti o richiedono troppe misurazioni.

2. Metodologia Proposta

Gli autori propongono un approccio basato sui dati per apprendere pattern di illuminazione specifici per il compito (task-specific), superando i limiti dei pattern predefiniti.

A. Ottimizzazione Bilevel:
Il problema viene formulato come un'ottimizzazione a due livelli:

1. Livello Superiore (Upper-level): Trovare la matrice di campionamento $A$ (rappresentata da una matrice latente continua $Z$) e il peso di regolarizzazione $\alpha$ che minimizzano l'errore di ricostruzione su un dataset di immagini.
2. Livello Inferiore (Lower-level): Risolvere il problema inverso di ricostruzione dell'immagine $\hat{x}$ utilizzando un funzionale di regolarizzazione $J$ pre-addestrato.

B. Gestione della Discretizzazione (STE):
Poiché l'ottimizzazione su matrici binarie è non differenziabile, il paper utilizza lo Straight-Through Estimator (STE). Invece di usare una penalità che forza i valori verso $\{-1, 1\}$ (metodo Relax-and-Penalise), l'STE permette di ottimizzare direttamente i pattern binari durante il passaggio all'indietro (backward pass) utilizzando un gradiente surrogato. Gli autori forniscono anche una giustificazione probabilistica dell'STE, interpretandolo come il gradiente di una funzione "ammorbidita" tramite l'aggiunta di rumore.

C. Decoupling (Disaccoppiamento):
A differenza dei metodi precedenti (come DCAN) che addestrano contemporaneamente i pattern e la rete di ricostruzione, questo metodo utilizza un ricostruttore pre-addestrato (basato su regolarizzatori appresi come TDV o WCRR). Questo disaccoppiamento riduce drasticamente la quantità di dati necessaria per l'addestramento.

D. Differenziazione Jacobian-Free:
Per rendere l'ottimizzazione computazionalmente efficiente, utilizzano la Jacobian-Free Backpropagation (JFB), che approssima il gradiente senza dover calcolare l'inversa della matrice Jacobiana del risolutore del livello inferiore.

3. Contributi Chiave

• Efficienza dei dati: Capacità di apprendere pattern ottimali con pochissimi dati (fino a soli 250 immagini), laddove i metodi end-to-end richiedono decine di migliaia di immagini.
• Ottimizzazione Binaria Diretta: L'uso dell'STE permette di operare nello spazio discreto dei pattern binari in modo più robusto rispetto ai metodi di rilassamento continuo.
• Integrazione di Regolarizzatori Appresi: L'uso di funzionali di regolarizzazione avanzati (TDV e WCRR) migliora significativamente la qualità della ricostruzione rispetto alla classica regolarizzazione Total Variation (TV).

4. Risultati Sperimentali

I test sono stati condotti sul dataset di microscopia CytoImageNet:

• Qualità della Ricostruzione: I pattern appresi (STE-TDV) superano nettamente i pattern classici (Gaussiani e Hadamard). Ad esempio, con un numero di misurazioni molto basso ($M=256$), il metodo appreso raggiunge una qualità simile ai pattern Hadamard che ne richiederebbero quattro volte tanto ($M=1024$).
• Robustezza: Il metodo dimostra una forte robustezza rispetto al rumore e alla scelta del regolarizzatore.
• Confronto con Deep Learning: Mentre i metodi end-to-end (DCAN) eccellono con grandi dataset, il metodo proposto è nettamente superiore in scenari di scarsità di dati (scarce-data settings).
• Ottimalità: Analisi su scale ridotte dimostrano che le soluzioni ottenute tramite STE sono molto vicine agli ottimi globali.

5. Significatività

Il lavoro è fondamentale per l'evoluzione dell'imaging a singolo pixel, specialmente in ambito biomedico. Dimostra che è possibile progettare sistemi di acquisizione "intelligenti" che si adattano alla statistica dell'oggetto da osservare, riducendo i tempi di scansione e migliorando la risoluzione spaziale senza dover cambiare l'hardware, ma ottimizzando semplicemente la strategia di illuminazione.