[論文レビュー] A Fast Algorithm for Total Variation Image Reconstruction from Random Projections

Yunhai Xiao, Junfeng Yang|arXiv (Cornell University)|Jan 12, 2010

Sparse and Compressive Sensing Techniques参考文献 35被引用数 10

ひとこと要約

本稿では、圧縮センシングを介したランダムプロジェクションからの全 variation (TV) 画像再構成のための高速な交互最小化アルゴリズム、IADM を提案する。線形化、プロキシマル技術、および効率的な FFT を用いた計算を活用することで、IADM は既存の手法よりも収束が速く、1反復あたりのコストが低く抑えられ、数値実験において TwIST よりも高速でありながら、同等または優れた画像品質と目的関数値を維持する。

ABSTRACT

Total variation (TV) regularization is popular in image restoration and reconstruction due to its ability to preserve image edges. To date, most research activities on TV models concentrate on image restoration from blurry and noisy observations, while discussions on image reconstruction from random projections are relatively fewer. In this paper, we propose, analyze, and test a fast alternating minimization algorithm for image reconstruction from random projections via solving a TV regularized least-squares problem. The per-iteration cost of the proposed algorithm involves a linear time shrinkage operation, two matrix-vector multiplications and two fast Fourier transforms. Convergence, certain finite convergence and $q$-linear convergence results are established, which indicate that the asymptotic convergence speed of the proposed algorithm depends on the spectral radii of certain submatrix. Moreover, to speed up convergence and enhance robustness, we suggest an accelerated scheme based on an inexact alternating direction method. We present experimental results to compare with an existing algorithm, which indicate that the proposed algorithm is stable, efficient and competitive with TwIST \cite{TWIST} -- a state-of-the art algorithm for solving TV regularization problems.

研究の動機と目的

• 圧縮センシング測定値からの全 variation (TV) 正則化のための高速で安定したアルゴリズムの開発。
• ランダムプロジェクションに適用された既存の TV ソルバの高い計算コストと遅い収束を解決すること。
• 線形化とプロキシマル技術を用いた不正確な交替方向法により、収束速度とロバストネスを向上させること。
• TwIST などの最先端のアルゴリズムに対する計算的に効率的な代替手段を、大規模な TV/L2 問題に対して提供すること。
• 提案されたアルゴリズムの理論的収束特性、特に q-線形収束と有限収束を確立すること。

提案手法

• 線形化された二次項を用いた不正確な交替方向法 (IADM) を用いて、TV 正則化付き最小二乗問題を解く。
• 各反復では、TV 項に対するしきい値処理（ソフトしきい値処理）、2回の行列-ベクトル積、および2回の高速フーリエ変換 (FFTs) を実行する。
• 1回の反復あたりのコストを低減するために、二次適合項を線形化することで、各ステップで高価な TV デノイジング部分問題を回避する。
• 部分問題の解法を安定化させるためにプロキシマル項を追加し、収束が保証される不正確な部分問題の解法を可能にする。
• 構造的仮定を一切設けない一般の圧縮センシング行列を想定しており、広範な画像再構成問題に適用可能である。
• 部分行列の固有値半径に基づいて収束を分析し、ある条件下で q-線形収束が確立されている。

実験結果

リサーチクエスチョン

• RQ1 圧縮センシングを用いたランダムプロジェクションからの TV 画像再構成のための高速でスケーラブルなアルゴリズムを開発できるか？
• RQ2 提案された IADM 法は、TwIST などの最先端のソルバと比較して、収束速度と画像品質においてどのように異なるか？
• RQ3 線形化と不正確な部分問題の解法が、TV に基づく再構成の安定性と効率性に与える影響は何か？
• RQ4 提案されたアルゴリズムは有限収束または q-線形収束を達成するか？また、システムの固有値特性はその収束速度にどのように影響するか？
• RQ5 高い再構成精度とロバストネスを維持しながら、1反復あたりのコストを低減できるか？

主な発見

• IADM は、すべてのテスト画像において TwIST よりも低い目的関数値を達成しており、TV/L2 エネルギー関数のより良い最小化を示している。
• すべてのテストケースにおいて、IADM は反復回数が多くても TwIST よりも CPU 時間が短く、1反復あたりのコストが著しく低かった。
• Shepp-Logan ファントムでは、μ=10000 の条件下で CPU 時間を TwIST の 245.77s から IADM で 156.98s に削減し、相対誤差も 4.47%（TwIST は 4.59%）に低下させた。
• 脳 1 テストでは、TwIST の 34.25s から IADM で 20.41s に短縮され、相対誤差もわずかに改善（13.64% vs. 14.01%）。
• 512×512 の Barbara 画像では、IADM が時間を 10% 減少（550.39s vs. 493.20s）し、相対誤差も 0.03% 低い値を達成した。
• Cameraman や Lena、Boat などの多様な画像においても一貫した性能を示し、大規模な画像サイズへのロバストネスとスケーラビリティを確認した。