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

Probleemstelling

In coherent beeldvormingssystemen, zoals digitale holografie, is spekkelruis (speckle noise) een fundamentele uitdaging die de beeldkwaliteit sterk beïnvloedt. Een veelgebruikte strategie om deze ruis te verminderen is multi-look acquisitie, waarbij meerdere metingen worden genomen en vervolgens worden gemiddeld of gezamenlijk worden gereconstrueerd.

De bestaande methoden gaan er doorgaans van uit dat de spekkelrealisaties tussen de verschillende "looks" (metingen) statistisch onafhankelijk zijn. In de praktijk is deze onafhankelijkheid echter moeilijk te garanderen vanwege hardwarebeperkingen zoals:

• Beperkte ruimtelijke resolutie van ruimtelijke lichtmodulatoren (SLM's).
• Fase-kwantiseringsfouten.
• Hardware-onvolkomenheden.

Dit leidt tot inter-look correlatie (afhankelijkheid tussen metingen). Wanneer bestaande algoritmen deze correlatie negeren en onafhankelijkheid aannemen, degradeert de reconstructieprestatie aanzienlijk, vooral bij sterke correlatie. Het artikel adresseert de vraag hoe men de statistische afhankelijkheid tussen metingen expliciet kan modelleren om de reconstructie te verbeteren.

Methodologie

De auteurs ontwikkelen een nieuw raamwerk voor reconstructie dat gebaseerd is op Maximum Likelihood Estimation (MLE), maar dan met een expliciet model voor de correlatie tussen de metingen.

1. Stochastisch Model (Markov-proces):

   • In plaats van onafhankelijke metingen, modelleren de auteurs de spekkelvelden als een eerste-orde Markov-proces.
   • Voor een reeks van $L$ looks wordt de spekkel $g_\ell$ voor $\ell > 1$ gedefinieerd als:
     $$g_\ell = \alpha g_{\ell-1} + \sqrt{1-\alpha^2} u_\ell$$
     waarbij $\alpha \in [0, 1]$ de correlatiecoëfficiënt is en $u_\ell$ een nieuwe, onafhankelijke spekkelrealisatie is.
   • Dit model vangt de afhankelijkheid tussen opeenvolgende metingen correct in.

2. Likelihood Formulering:

   • Op basis van dit Markov-model wordt de gezamenlijke waarschijnlijkheidsverdeling van de metingen benaderd. Omdat de aanwezigheid van additief ruis ($z_\ell$) de meetreeks niet strikt Markov maakt, gebruiken de auteurs een eerste-orde benadering van de gezamenlijke verdeling.
   • Dit leidt tot een beperkte MLE-probleemstelling (constrained MLE) waarbij de negatieve log-likelihood-functie ($f_L(x)$) wordt geminimaliseerd om de reflectiviteit $x$ te schatten. Deze functie houdt rekening met de correlatie via de parameter $\alpha$.

3. Optimalisatie-algoritme:

   • Het minimaliseren van de likelihood-functie is een niet-convex probleem. De auteurs gebruiken een Projecteerd Gradientdaling (Projected Gradient Descent - PGD) framework.
   • Regularisatie: Om de oplossing te regulariseren, wordt een Deep Image Prior (DIP) gebruikt als projectieoperator. Dit betekent dat de iteratie wordt geprojecteerd op de verzameling van beelden die door een ongetraind neurale netwerk kunnen worden gegenereerd, wat zorgt voor een natuurlijke beeldstructuur zonder vooraf getrainde datasets.
   • Efficiënte Gradientberekening: De grootste rekenkundige uitdaging is het omkeren van grote matrices (zoals $S$ en $M$) in de gradientberekening. Om dit op te lossen zonder expliciete matrixinversie (wat te duur is voor hoge resoluties):
     • Ze gebruiken de Conjugate Gradient (CG) methode, die gebruikmaakt van de Fourier-structuur van de holografische sensormatrix (via FFT) om matrix-vector producten efficiënt te berekenen.
     • Voor de diagonale elementen van de matrices (nodig voor de gradient) gebruiken ze een Monte Carlo-benadering met willekeurige probe-vectoren. Dit maakt de berekening schaalbaar naar hoge resoluties.

4. Schatting van Correlatie:

   • De correlatiecoëfficiënt $\alpha$ is in de praktijk vaak onbekend. De auteurs stellen een methode voor om $\alpha$ en de signaalkracht $\gamma$ direct uit de meetdata te schatten door gebruik te maken van de verwachte waarden van de autocorrelatie en kruiscorrelatie van de metingen.

Belangrijkste Bijdragen

• Modelvorming: Het introduceren van een eerste-orde Markov-proces om inter-look correlatie in digitale holografie te modelleren, in plaats van de onrealistische onafhankelijkheidsaanname.
• Nieuwe MLE-formulering: Het afleiden van een specifieke likelihood-functie die deze correlatie expliciet integreert, wat leidt tot een robuustere schatting van de reflectiviteit.
• Schaalbaar Algoritme: Het ontwikkelen van een efficiënt PGD-algoritme dat Monte Carlo-methoden en Conjugate Gradient combineert om matrixinversie te vermijden, waardoor het toepasbaar is op hoge-resolutiebeelden.
• Geautomatiseerde Parameter-schatting: Een methode om de correlatiecoëfficiënt $\alpha$ uit de data te halen, wat het systeem praktisch toepasbaar maakt zonder handmatige kalibratie.

Resultaten

De auteurs hebben hun methode geëvalueerd via simulaties met verschillende apertuurtypes (cirkelvormig en annulair), ruisniveaus en aantallen looks ($L$).

• Prestatie onder correlatie: De voorgestelde methode (met loss-functie 18) presteert consistent beter dan de bestaande baseline (loss-functie 4, die onafhankelijkheid aanneemt) wanneer er sprake is van sterke correlatie ($\alpha > 0$).
• Robuustheid: Zelfs bij hoge correlatie ($\alpha = 0.8$), waar de baseline sterk degradeert, behoudt de voorgestelde methode prestaties die dicht bij het ideale geval van onafhankelijke looks liggen (binnen 0,5 dB van de bovengrens).
• Beeldkwaliteit: Visuele vergelijkingen tonen duidelijk minder artefacten en hogere PSNR/SSIM-waarden voor de voorgestelde methode, vooral bij hoge correlatie.
• Efficiëntie: Het algoritme convergeert binnen 50-100 iteraties. Dankzij de matrix-vrije implementatie (gebruikmakend van FFT en CG) is de rekentijd per iteratie acceptabel (ongeveer 20-40 seconden voor een 256x256 beeld), wat schaalbaarheid garandeert.

Betekenis en Toekomstperspectief

Dit werk is significant omdat het een brug slaat tussen theoretische statistische modellering en praktische beeldreconstructie in digitale holografie. Het erkent dat hardware-beperkingen onvermijdelijk leiden tot correlatie en biedt een wiskundig onderbouwde oplossing om hiermee om te gaan in plaats van het te negeren.

De resultaten tonen aan dat het expliciet modelleren van afhankelijkheden tussen metingen essentieel is voor het maximaliseren van de ruisreductie in multi-look systemen. Dit maakt hogere beeldkwaliteit mogelijk onder realistische, minder ideale opnameomstandigheden.

Als toekomstig werk plannen de auteurs om het raamwerk toe te passen op echte holografische data, waarbij ze zullen onderzoeken hoe het model omgaat met complexere afwijkingen zoals niet-Gaussische ruis en imperfecte kalibratie.