Fundamental Recovery Bounds for SPAD Signals under Stationary Flux

Technische Samenvatting: Fundamentele Herstelgrenzen voor SPAD-signalen onder Stationaire Flux

Probleemstelling
Single-photon avalanche diode (SPAD) arrays bieden extreme gevoeligheid en picoseconde temporele resolutie, wat toepassingen mogelijk maakt in fluorescentie-levensduurbeeldvorming, LiDAR en non-line-of-sight beeldvorming. Echter, SPAD-data is inherent stochastisch en discreet, wat detectiegebeurtenissen vertegenwoordigt in plaats van continue intensiteitsmonsters. Het herstellen van een schoon beeld of een fluxkaart uit deze data vormt een niet-lineair invers probleem.

Huidige passieve SPAD-sensoren opereren in drie verschillende modi, die elk verschillende ruwe signaalstatistieken opleveren:

1. Free-running Timestamps (M1): Registreert de aankomsttijd van elke detectiegebeurtenis binnen een belichtingstijdvenster.
2. Binary Bins (M2): Verdeelt de belichting in tijdvensters (bins) en rapporteert alleen één bit die aangeeft of er ten minste één gebeurtenis heeft plaatsgevonden (Quanta Image Sensor modus).
3. Timestamped Bins (M3): Een bandbreedtebeperkte modus waarbij elk venster maximaal één gebeurtenis rapporteert, inclusief de aankomsttijd binnen dat venster.

Eerdere analyses en reconstructiealgoritmen (specifiek diffusiegebaseerde methoden) hebben deze modi geïsoleerd behandeld. Er was geen verenigd kader om de fundamentele herstelbaarheidslimieten tussen deze modi te vergelijken of om een enkel reconstructiealgoritme toe te passen dat zich aanpast aan de specifieke sensorstatistieken van elke modus.

Methodologie
De auteurs stellen een verenigde aanpak voor die gecentreerd is rond de likelihood score functie (de gradiënt van de log-likelihood van de ruwe data met betrekking tot de invallende flux).

1. Afleiding van Score Functies en Grenzen:

   • De paper leidt de likelihood score functies voor alle drie de passieve modi (M1, M2, M3) af vanuit eerste principes, rekening houdend met de dode tijd ($\tau_{dead}$) en het detectievenster ($\tau_{sense}$) van de sensor.
   • Gebruikmakend van deze score functies leiden de auteurs de Cramér–Rao Lower Bound (CRLB) af voor onbevooroordeelde schatters van de fotonflux. Dit stelt de fundamentele limiet van herstel voor elke modus vast.
   • Het kader wordt uitgebreid naar de Bayesian Cramér–Rao Lower Bound (BCRLB) door een geleerd prior te integreren. Dit maakt gebruik van een score-gebaseerd diffusiemodel (SBD) om de score functie van de beeldprior ($\nabla_x \log p(x)$) te benaderen, waardoor praktische herstelgrenzen kunnen worden berekend die rekening houden met ruimtelijke correlaties in natuurlijke beelden.

2. Verenigd Reconstructiealgoritme:

   • De auteurs passen Diffusion Posterior Sampling (DPS) aan voor SPAD-data. Terwijl eerder werk DPS toepaste op binaire SPAD-data, breidt dit werk het uit naar volledige timestamped gevallen.
   • Het reconstructiealgoritme (Algoritme 1) verfijnt iteratief een beeld-schatting door een geleerd prior score (van een getrainde U-Net) te combineren met de specifieke likelihood score functie die overeenkomt met de modus van de sensorwerking (M1, M2 of M3).
   • Een domeinadaptatiestap wordt geïntroduceerd om de niet-negatieve flux-domein te mappen naar het $[-1, 1]$ bereik dat vereist is voor standaard diffusiemodellen.

Kernbijdragen

• Verenigde Statistische Analyse: De paper biedt de eerste verenigde afleiding van likelihood score functies en fundamentele herstelgrenzen (CRLB) voor alle drie de belangrijke passieve SPAD-modusoperaties.
• Identificatie van een High-Flux Gap: De analyse onthult een kwalitatief verschil in prestaties bij hoge fotonflux. De relatieve foutenmarge voor Binary Bins (M2) divergeert exponentieel naarmate de flux toeneemt (door verzadiging), terwijl zowel de Timestamped modi (M1 en M3) slechts lineair degraderen. Dit demonstreert dat het registreren van gebeurtenistijden niet louter een incrementele winst is, maar een fundamenteel onderscheid tussen gracieuze en snelle verzadiging.
• Uitbreiding van Diffusiemodellen: Het werk breidt diffusion posterior sampling uit van binaire data naar timestamped SPAD-data door de correcte, op de modus afgestemde score functies af te leiden en te integreren.
• BCRLB Berekening: De auteurs demonstreren een methode om empirische BCRLBs te berekenen met behulp van een getraind score netwerk, wat een theoretische ondergrens biedt voor de Mean Squared Error (MSE) bij reconstructietaken met natuurlijke beeldpriors.

Resultaten

• Theoretische Grenzen: Numerieke plots van de CRLB bevestigen dat alle modi bij lage flux vergelijkbaar presteren. Echter, naarmate de flux toeneemt, lijdt de binaire modus (M2) aan een catastrofaal verlies in schattingsnauwkeurigheid, terwijl de timestamped modi (M1, M3) een lineaire foutgroei behouden. M1 (Free-running) biedt consistent de strakste grens, gevolgd door M3 (Timestamped Bins).
• Simulatieprestaties: In simulaties met de FFHQ-dataset presteert de voorgestelde SBD-methode met de correcte modus-gematchte score functie aanzienlijk beter dan Maximum Likelihood (ML) schatting en mismatch SBD-benaderingen.
  • Bij gemiddelde event rates bereikte SBD met Free-running Timestamps (M1) de hoogste PSNR (23 dB) en SSIM (0.67).
  • SBD met Timestamped Bins (M3) en Binary Bins (M2) presteerden vergelijkbaar met elkaar (22 dB PSNR), maar waren inferieur aan de continue timestamp modus.
  • Cruciaal is dat het gebruik van de verkeerde score functie (bijv. het toepassen van de binaire score op timestamped data) resulteerde in een gedegradeerde reconstructiekwaliteit.
• Demonstratie op Real-World Data: De methode werd gevalideerd op echte SPAD-data van een draaiende ventilator (M3 modus) en een tunnelscène. Reconstructies met de correcte M3 score functie produceerden hoogwaardige beelden, terwijl het gebruik van de binaire (M2) of free-running (M1) scores (die specifieke binning-beperkingen negeren) resulteerde in artefacten of falen.

Betekenis en Claims
De paper claimt een gemeenschappelijke basis te hebben gelegd voor single-photon sensing herstel. Door zowel de fundamentele limieten als de praktische diffusie-gebaseerde algoritmen te koppelen aan de likelihood score functie, beantwoordt het werk twee kritische vragen:

1. Wat is herstelbaar? De verenigde CRLB-analyse kwantificeert het fundamentele informatieverlies in verschillende sensormodi, wat het cruciale belang van timestamping in high-flux scenario's benadrukt.
2. Hoe benader je de grens? Het voorgestelde algoritme demonstreert dat het matchen van de reconstructie score functie aan de specifieke sensorwerkingsmodus essentieel is voor het bereiken van hoge-getrouwheid resultaten.

De auteurs benadrukken dat hun reikwijdte beperkt is tot passieve sensing met stationaire flux, waarbij actieve configuraties zoals gepulseerde laser TCSPC worden uitgesloten. Ze merken bescheiden op dat hoewel hun verenigde kader de reconstructie verbetert, de prestaties uiteindelijk worden begrensd door de fysieke beperkingen van de sensor (dode tijd) en de kwaliteit van de geleerde beeldprior. Het werk stelt geen nieuwe hardware voor, maar biedt de theoretische en algoritmische instrumenten om het nut van bestaande SPAD-arrays over verschillende werkmodi heen te maximaliseren.