📢 转载信息
原文链接：http://bair.berkeley.edu/blog/2026/01/10/information-driven-imaging/
原文作者：BAIR Blog
编码器（光学系统）将物体映射为无噪图像，随后噪声将其破坏为测量结果。我们的信息评估器仅利用这些带有噪声的测量值及噪声模型，来量化测量系统区分物体的能力。
许多成像系统产生的测量数据是人类无法直接观察或理解的。智能手机在输出照片前，会对原始传感器数据进行算法处理；核磁共振（MRI）扫描仪收集频率空间数据，需经过重建才能供医生查看；自动驾驶汽车则直接利用神经网络处理相机和激光雷达数据。
在这些系统中，重要的不是测量数据“看起来如何”，而是它们包含了多少有用的信息。即使数据以人类无法解读的方式编码，AI依然可以从中提取信息。
然而，我们很少直接评估信息含量。传统指标如分辨率和信噪比通常分别评估质量的单一维度，导致难以平衡这些因素。另一种常见替代方案——训练神经网络进行图像重建或分类——则混淆了成像硬件的质量与算法的性能。
我们开发了一个框架，能够基于信息含量对成像系统进行直接评估和优化。在我们的 NeurIPS 2025 论文中，我们展示了该信息指标可预测四种成像领域的系统表现，且其优化设计在无需任务特定解码器的情况下，能够匹配最先进的端到端方法，同时大幅降低内存和计算需求。
为什么选择互信息？
互信息（Mutual Information）量化了测量结果减少对物体本身不确定性的程度。两个拥有相同互信息的系统，其区分物体的能力是等效的，即便它们的测量输出看起来截然不同。
这一单一指标捕捉了分辨率、噪声、采样及所有影响测量质量因素的综合效应。一张模糊但保留了区分物体所需特征的图像，可能比一张丢失了这些特征的锐利图像包含更多信息。
信息量将传统上分离的质量指标统一起来。它综合考虑了噪声、分辨率和光谱敏感度，而不是将其视为独立因素。
从测量结果中估算信息
在高维变量间估算互信息极其困难。随着维度的增加，采样需求呈指数级增长，且估计值常伴随高偏差和高方差。然而，成像系统具有的特性使我们将这一难题分解为更简单的子问题。互信息可以写为：
I(X; Y) = H(Y) - H(Y | X)
其中，第一项 H(Y) 衡量由物体差异和噪声引起的总测量波动，第二项 H(Y | X) 衡量仅由噪声引起的波动。由于成像系统的噪声特性明确（如光子散粒噪声服从泊松分布，电子读出噪声服从高斯分布），我们可以直接计算 H(Y | X)，只需从数据中学习 H(Y) 即可。
多领域验证
如果信息估算能够捕捉到现实系统的瓶颈，它就应当能预测解码器的性能。我们在四种应用中验证了这一关系：
- 彩色摄影： 我们的估算准确判断了滤波器设计的优劣，与神经网络去马赛克的结果一致。
- 射电天文学： 在无需昂贵图像重建的情况下，信息估算有效预测了不同望远镜布局的重建质量。
- 无透镜成像： 对于使用光调制掩模的系统，信息估算准确预测了各种噪声水平下的重建精度。
- 显微镜： 信息估算与预测蛋白质表达的神经网络精度高度相关，避免了昂贵的蛋白质标记实验。
利用 IDEAL 设计系统
我们的“信息驱动编码器分析学习”（IDEAL）方法通过信息估算的梯度上升来优化成像系统参数。与传统的端到端优化不同，IDEAL 仅需优化编码器本身，无需通过复杂的解码器网络进行反向传播，从而降低了内存和训练难度。
该框架不仅限于成像，任何可以建模为确定性编码且具有已知噪声特性的传感领域（如电子、生物、化学传感器）都可从中获益。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区