Deep Learning-Based Acceleration Model for Recovery Algorithms in Single-Pixel Imaging

Abstract

Los Sistemas de un único pixel (SPI) ha emergido como un paradigma prometedor en imágenes computacionales debido a su baja complejidad de hardware y su capacidad para operar bajo condiciones de adquisición desafiantes. Sin embargo, la reconstrucción de imágenes de alta calidad en SPI depende de algoritmos de optimización iterativos, como el descenso por gradiente proximal (PGD) y el método de multiplicadores alternantes (ADMM), los cuales pueden presentar una convergencia lenta y una alta sensibilidad a la selección de parámetros. Estas limitaciones se acentúan al integrar denoisers basados en aprendizaje dentro de marcos Plug-and-Play (PnP), donde estrategias de aceleración inadecuadas pueden conducir a inestabilidad o a un desempeño subóptimo. Para abordar estos desafíos, este trabajo propone un enfoque basado en aprendizaje profundo por refuerzo para optimizar dinámicamente el proceso de aceleración de solucionadores iterativos en SPI. En particular, se diseña un agente que selecciona tanto el mecanismo de aceleración como sus hiperparámetros asociados en función de la retroalimentación en tiempo real del proceso de reconstrucción. El método propuesto logra una reducción de hasta 13 veces en el número de iteraciones para PGD, mientras preserva la estabilidad estructural en ADMM incluso bajo condiciones severas. Estos resultados demuestran que formular la reconstrucción iterativa como un sistema de control en lazo cerrado permite un diseño de algoritmos más eficiente y adaptativo en el contexto de imágenes computacionales.