Fundamental Recovery Bounds for SPAD Signals under Stationary Flux

Sintesi Tecnica: Limiti di Recupero Fondamentali per Segnali SPAD sotto Flusso Stazionario

Definizione del Problema
Gli array di diodi a singola fotone (SPAD) offrono una sensibilità estrema e una risoluzione temporale di picosecondi, abilitando applicazioni nella microscopia a fluorescenza, nel LiDAR e nell'imaging non-line-of-sight. Tuttavia, i dati SPAD sono intrinsecamente stocastici e discreti, rappresentando eventi di rilevamento piuttosto che campioni di intensità continui. Il recupero di un'immagine pulita o di una mappa di flusso da questi dati costituisce un problema inverso non lineare.

Gli attuali sensori SPAD passivi operano in tre modalità distinte, ciascuna delle quali produce statistiche del segnale grezzo differenti:

1. Timestamp Liberi (M1): Registra il tempo di arrivo di ogni evento di rilevamento entro una finestra di esposizione.
2. Bin Binari (M2): Divide l'esposizione in bin temporali, riportando solo un singolo bit che indica se si è verificato almeno un evento (modalità Quanta Image Sensor).
3. Bin con Timestamp (M3): Una modalità a larghezza di banda limitata in cui ogni bin riporta al massimo un evento, incluso il suo tempo di arrivo all'interno del bin stesso.

Analisi precedenti e algoritmi di ricostruzione (specificamente i metodi basati sulla diffusione) hanno trattato queste modalità in isolamento. Non esisteva un framework unificato per confrontare i limiti fondamentali di recuperabilità tra queste modalità o per applicare un singolo algoritmo di ricostruzione che si adatti alle specifiche statistiche del sensore di ciascuna modalità.

Metodologia
Gli autori propongono un approccio unificato centrato sulla funzione di score della verosimiglianza (il gradiente del logaritmo della verosimiglianza dei dati grezzi rispetto al flusso incidente).

1. Derivazione delle Funzioni di Score e dei Limiti:

   • Il documento deriva le funzioni di score della verosimiglianza per tutte e tre le modalità passive (M1, M2, M3) partendo dai primi principi, tenendo conto del tempo morto del sensore ($\tau_{dead}$) e della finestra di rilevamento ($\tau_{sense}$).
   • Utilizzando queste funzioni di score, gli autori derivano il Cramér–Rao Lower Bound (CRLB) per stimatori non distorti del flusso di fotoni. Ciò stabilisce il limite fondamentale di recupero per ogni modalità.
   • Il framework viene esteso al Bayesian Cramér–Rao Lower Bound (BCRLB) incorporando un prior appreso. Questo utilizza un modello di diffusione basato su score (SBD) per approssimare la funzione di score del prior dell'immagine ($\nabla_x \log p(x)$), consentendo il calcolo di limiti di recupero pratici che tengano conto delle correlazioni spaziali nelle immagini naturali.

2. Algoritmo di Ricostruzione Unificato:

   • Gli autori adattano la Diffusion Posterior Sampling (DPS) ai dati SPAD. Mentre lavori precedenti applicavano la DPS a dati SPAD binari, questo lavoro estende la tecnica ai casi completi con timestamp.
   • L'algoritmo di ricostruzione (Algoritmo 1) affina iterativamente una stima dell'immagine combinando uno score di un prior appreso (da una U-Net addestrata) con la specifica funzione di score della verosimiglianza corrispondente alla modalità operativa del sensore (M1, M2 o M3).
   • Viene introdotto un passaggio di adattamento del dominio per mappare il dominio del flusso non negativo nell'intervallo $[-1, 1]$ richiesto dai modelli di diffusione standard.

Contributi Chiave

• Analisi Statistica Unificata: Il documento fornisce la prima derivazione unificata delle funzioni di score della verosimiglianza e dei limiti di recupero fondamentali (CRLB) per tutte le tre principali modalità operative passive degli SPAD.
• Identificazione di un Gap ad Alto Flusso: L'analisi rivela una differenza qualitativa nelle prestazioni ad alto flusso di fotoni. L'errore relativo per i Bin Binari (M2) diverge esponenzialmente all'aumentare del flusso (a causa della saturazione), mentre le modalità con Timestamp (M1 e M3) degradano solo linearmente. Ciò dimostra che la registrazione dei tempi degli eventi non è solo un guadagno incrementale, ma una distinzione fondamentale tra saturazione graduale e saturazione rapida.
• Estensione dei Modelli di Diffusione: Il lavoro estende la diffusione posterior sampling dai dati binari ai dati SPAD con timestamp, derivando e integrando le corrette funzioni di score corrispondenti alla modalità.
• Calcolo del Bound Bayesiano: Gli autori dimostrano un metodo per calcolare i BCRLBs empirici utilizzando una rete di score addestrata, fornendo un limite inferiore teorico sull'Errore Quadratico Medio (MSE) per i compiti di ricostruzione che coinvolgono prior di immagini naturali.

Risultati

• Limiti Teorici: I grafici numerici del CRLB confermano che a bassi flussi, tutte le modalità si comportano in modo simile. Tuttavia, all'aumentare del flusso, la modalità binaria (M2) subisce una perdita catastrofica di accuratezza nella stima, mentre le modalità con timestamp (M1, M3) mantengono una crescita lineare dell'errore. M1 (Free-running) offre costantemente il limite più stretto, seguita da vicino da M3 (Timestamped Bins).
• Prestazioni di Simulazione: Nelle simulazioni utilizzando il dataset FFHQ, il metodo SBD proposto, utilizzando la corretta funzione di score corrispondente alla modalità, supera significativamente la stima di Massima Verosimiglianza (ML) e gli approcci SBD con mismatch.
  • Per tassi di eventi medi, l'SBD con Free-running Timestamps (M1) ha ottenuto il PSNR più elevato (23 dB) e l'SSIM più alto (0.67).
  • L'SBD con Timestamped Bins (M3) e Binary Bins (M2) ha performato in modo simile (22 dB PSNR), ma è stato inferiore alla modalità a timestamp continuo.
  • Crucialmente, l'utilizzo della funzione di score errata (ad esempio, applicare lo score binario a dati con timestamp) ha portato a una degradazione della qualità della ricostruzione.
• Dimostrazione su Dati Reali: Il metodo è stato validato su dati SPAD reali di una ventola rotante (modalità M3) e di una scena in un tunnel. Le ricostruzioni utilizzando la corretta funzione di score M3 hanno prodotto immagini ad alta fedeltà, mentre l'uso degli score M2 (binario) o M1 (free-running), che ignorano i vincoli specifici di binning, ha causato artefatti o fallimenti.

Significatività e Rivendicazioni
Il documento sostiene di aver stabilito una base comune per il recupero della sensoristica a singolo fotone. Legando sia i limiti fondamentali che gli algoritmi pratici basati sulla diffusione alla funzione di score della verosimiglianza, il lavoro risponde a due domande critiche:

1. Cosa è recuperabile? L'analisi unificata del CRLB quantifica la perdita fondamentale di informazione nelle diverse modalità dei sensori, evidenziando l'importanza critica del timestamping negli scenari ad alto flusso.
2. Come avvicinarsi al limite? L'algoritmo proposto dimostra che far corrispondere la funzione di score della ricostruzione alla specifica modalità operativa del sensore è essenziale per ottenere risultati ad alta fedeltà.

Gli autori sottolineano che il loro ambito è limitato alla sensoristica passiva con flusso stazionario, escludendo configurazioni attive come la TCSPC a impulsi laser. Notano modestamente che, sebbene il loro framework unificato migliori la ricostruzione, le prestazioni sono in ultima analisi limitate dalle limitazioni fisiche del sensore (tempo morto) e dalla qualità del prior dell'immagine appreso. Il lavoro non propone nuova hardware, ma fornisce gli strumenti teorici e algoritmici per massimizzare l'utilità degli array SPAD esistenti attraverso le diverse modalità operative.