訓練された光子相関を用いた超低照度コンピュータビジョン

arXiv cs.CV / 2026/4/15

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、ハイブリッドな光学-電子コンピュータビジョンのパイプラインにおいて相関光子照明を用いることで、超低照度かつノイズの多い条件下での物体認識を改善することを提案する。
相関を考慮した学習（CAT）を導入し、学習可能な相関光子照明ソースとTransformerバックエンドを共同最適化することで、モデルが光子相関の構造を活用することを学習できるようにする。
本手法は非常に少ない測定回数（≤100ショット）で顕著な向上を達成し、従来の非相関照明アプローチと比べて分類精度を最大15パーセントポイント改善することを示す。
さらに、未学習の相関光子照明を用いた場合よりも利点があることが示されており、汎用的な相関パターンに頼るのではなく、タスク固有の学習が有益であることを示唆する。
総じて、本研究は、再構成（リコンストラクション）に焦点を当てた手法を超えて、光子予算に制約のあるセンシングにおける精度限界を押し広げるには、照明の相関をデジタル視覚モデルとともに学習させることが有効であることを強調している。

Abstract

相関した光子源を用いた照明は、信号光子が空間的に相関している一方で、ノイズによる検出器のクリックは相関していないという知識を活用することで、ノイズを含むカメラフレームから高忠実度の画像を再構成可能にするアプローチとして確立されている。しかしコンピュータビジョンタスクにおいては、最終的に画像を再構成することが目的ではない場合が多く、例えばその場にどのような物体が存在するかといったシーンに関する推論が目的となる。本研究では、相関光子照明を、物体認識のためのハイブリッドな光学・電子コンピュータビジョン処理パイプラインで優位性を得るためにどのように用いられるかを示す。相関を意識した学習（CAT）を提案する：少数（<= 100）ショットを用いて、トランスフォーマーが相関から恩恵を受けられるように、学習可能な相関光子照明源とトランスフォーマーのバックエンドを一体として最適化するエンドツーエンドの手法である。超低照度かつノイズの多い撮像条件において、従来の相関のない照明に基づくコンピュータビジョンに対して最大15パーセンテージポイントの分類精度向上を示し、さらに学習していない相関光子照明を用いる場合よりも改善することを示す。本研究は、コンピュータビジョンタスク（物体認識）に特化し、デジタルバックエンドと組み合わせて光子相関のパターンを学習することで、既存の画像再構成に焦点を当てた手法を超えて、光子予算の厳しいシナリオにおける精度の限界を押し広げられることを示している。