Regularización basada en calibración para la recuperación de imágenes espectrales en sistemas de adquisición codificada optimizados

Abstract

Los sistemas de adquisición codificada son fundamentales en la captura de imágenes espectrales computacionales para adquirir escenas codificadas, las cuales son recuperadas resolviendo un problema inverso. El diseño de adquisición codificada es crucial al determinar las propiedades de invertibilidad de la matriz de detección del sistema. Para garantizar un diseño realista, el modelo de adquisición modelado matemáticamente debe coincidir con el sistema fisico. Sin embargo, existen variaciones estocásticas relacionadas con características no ideales de la implementación, además, dado que estas variaciones no se conocen previamente deben ser calibradas en el laboratorio. Por lo tanto, el diseño de codificación conduce a un rendimiento subóptimo en la práctica, incluso si se lleva a cabo un proceso de calibración exhaustivo. Esta tesis desarrolla una comprensión profunda de cómo el desajuste de calibración afecta el rendimiento de recuperación y proponen tres enfoques para reducir su efecto en algoritmos de reconstrucción de sistemas de imágenes espectrales codificados optimizados. Específicamente, se proponen dos regularizadores que aceleran la convergencia a través de las iteraciones del algoritmo de gradiente decendiente del sistema calibrado real, en la dirección del sistema originalmente optimizado teóricamente, y un enfoque más que estima las medidas ideales a partir de las medidas reales calibradas, empleando un enfoque de aprendizaje profundo para aumentar el rendimiento de la reconstrucción.