拡散モデルを介したフーリエシングルピクセルイメージングの非常に低いサンプリングレートでの高解像度反復再建

イメージング効率とイメージング品質のトレードオフは、フーリエシングルピクセルイメージング（FSPI）で常に発生しています。高解像度のイメージングを実現するには、測定数の増加が必要であり、その結果、イメージング効率が低下します。ここでは、拡散モデルを介したFSPIイメージングのための新しい高品質の再構築方法が提案されました。スコアベースの拡散モデルは、データ分布の以前の情報を学習するように設計されています。ターゲットの実質サンプリングされた低周波フーリエスペクトルは、学習した事前の情報と併せてモデルを繰り返し制約するための一貫性の用語として採用され、非常に低いサンプリングレートで高解像度の再構築を達成します。提案された方法のパフォーマンスは、シミュレーションと実験によって評価されます。結果は、提案された方法が、従来のFSPIメソッドおよびU-NETメソッドと比較して優れた品質を達成したことを示しています。特に非常に低いサンプリングレート（例：1％）では、従来のFSPI法と比較して、コイン実験の提案方法によってエッジ強度ベースのスコアの約241％の改善が達成されました。この方法には、イメージング速度を損なうことなく高解像度のイメージングを実現する可能性があり、実際のシナリオでFSPIのアプリケーション範囲がさらに拡大します。

The trade-off between imaging efficiency and imaging quality has always been encountered by Fourier single-pixel imaging (FSPI). To achieve high-resolution imaging, the increase in the number of measurements is necessitated, resulting in a reduction of imaging efficiency. Here, a novel high-quality reconstruction method for FSPI imaging via diffusion model was proposed. A score-based diffusion model is designed to learn prior information of the data distribution. The real-sampled low-frequency Fourier spectrum of the target is employed as a consistency term to iteratively constrain the model in conjunction with the learned prior information, achieving high-resolution reconstruction at extremely low sampling rates. The performance of the proposed method is evaluated by simulations and experiments. The results show that the proposed method has achieved superior quality compared with the traditional FSPI method and the U-Net method. Especially at the extremely low sampling rate (e.g., 1%), an approximately 241% improvement in edge intensity-based score was achieved by the proposed method for the coin experiment, compared with the traditional FSPI method. The method has the potential to achieve high-resolution imaging without compromising imaging speed, which will further expanding the application scope of FSPI in practical scenarios.