[論文レビュー] A new principle for choosing regularization parameter in certain inverse problems

Hans Rullgård|arXiv (Cornell University)|Mar 26, 2008

Numerical methods in inverse problems参考文献 3被引用数 8

ひとこと要約

本稿では、高ノイズ環境下における逆問題における$L^1$正則化のためのヒューリスティックで、ノイズレベルを推定するパrameter選択ルールを提案する。$\sigma(f)$ がノイズ分散を推定するものである比 $s_\lambda(f) = R_\lambda(f)/\sigma(f)$ を分析することにより、再構成における誤った小さな物体の発生を最小限に抑える正則化パrameterを選択し、ノイズ抑制と特徴の保持のバランスを図る。

ABSTRACT

A new parameter choice rule for inverse problems is introduced. This parameter choice rule was developed for total variation regularization in electron tomography and might in general be useful for $L^1$ regularization of inverse problems with high levels of noise in the data.

研究の動機と目的

• 極めて高いノイズレベルを伴う逆問題における正則化パrameter選択の課題に取り組むこと。特に電子トモグラフィーに特に適している。
• ノイズの大きさを事前に知る必要のないパrameter選択ルールを開発すること。代わりに、データから直接ノイズを推定する。
• ノイズに起因する偽の小さな物体の出現を最小限に抑えることで、再構成品質を向上させること。
• 特に非線形で $L^1$ 正則化が施された問題において、Lカーブなどの従来手法よりも計算が効率的な代替手法を提供すること。
• 正則化強度とノイズ分散の比を比較することで、再構成における特徴の信頼性を評価する定量的指標 $s_\lambda(f)$ を提供すること。

提案手法

• 正則化汎関数 $R_\lambda(f)$ を定義し、$L^1$ 型ノルム（例えば全変動）に典型的な同次性 $R_\lambda(\alpha f) = |\alpha| R_\lambda(f)$ を満たすものとする。
• 方向 $f$ に沿った1次元最適化の解であるスカラー関数 $\alpha_\lambda(f,g)$ を導入し、式 (4) に従って明示的な区分的公式で計算可能である。
• ノイズがゼロ平均で構造が既知であると仮定し、$\sigma(f) = \text{Var}[\langle Tf, G^{\text{noise}} \rangle]^{1/2}$ を用いてノイズ分散を推定する。
• 正則化強度をノイズレベルに対して相対的に評価する指標として、比 $s_\lambda(f) = R_\lambda(f)/\sigma(f)$ を定義する。
• 代表的な特徴 $f \in F$ の有限集合に対して $s_\lambda(f) \geq s_{\text{min}}(f)$ を満たすように正則化パrameter $\lambda$ を選択し、ノイズに起因するアーティファクトを抑制する。
• 数値実験を用いて手法の妥当性を検証し、特に $\lambda$ の関数として再構成における小さな非-TMV物体の数をモニタリングする。

実験結果

リサーチクエスチョン

• RQ1 ノイズレベルが高く、かつ未知の状況下で、$L^1$ 正則化逆問題における正則化パrameterをどのように選択できるか。
• RQ2 ノイズの大きさに関する事前知識が不要なヒューリスティックなパrameter選択ルールを、データから直接ノイズを推定することで構築できるか。
• RQ3 比 $s_\lambda(f) = R_\lambda(f)/\sigma(f)$ が、ノイズに対する正則化強度の信頼性ある指標としてどの程度有効か。
• RQ4 計算コストと再構成忠実度の観点から、Lカーブなどの既存ルールと比較して、本手法はどのように差をつけるか。
• RQ5 正則化パrameterの値が、電子トモグラフィー再構成における偽の小さな物体の出現に及ぼす影響はいかほどか。

主な発見

• ETデータに対して提案されたパrameter選択ルールは $\lambda = 70$ を選択し、$\lambda = 40$ 時の129個から、しきい値0.5の小さな非-TMV物体をたった1個にまで削減した。
• $\lambda$ を推奨値未満に下げると、偽の小さな物体の数が急激に増加し、ノイズへの過剰適合が生じることが示された。
• 本手法は計算が効率的であり、再構成アルゴリズムの1イタレーション未満のコストでパrameter選択が可能である。
• $s_\lambda(f)$ は、再構成における特徴がノイズ由来か真の信号由来かを評価する定量的指標を提供する。
• 本手法は厳密には収束性を有しないが、高ノイズで現実の逆問題に適した実用的性能を示す。
• ノイズ構造の仮定が成り立つ限り、電子トモグラフィーに限らず、他の高ノイズ $L^1$ 正則化逆問題へも一般化可能である。