[論文レビュー] A note on patch-based low-rank minimization for fast image denoising

Haijuan Hu, Jacques Froment+1 more|arXiv (Cornell University)|Jun 28, 2015

Image and Signal Denoising Methods参考文献 15被引用数 3

ひとこと要約

本稿では、類似画像パッチを類似性行列にグループ化し、PCA や SVD を用いたハードスレッショルドによる処理を1回のパスで適用することで、画像のノイズ除去を高速に実行するパッチベース低ランク最小化（PLR）手法を提案する。この手法は、繰り返し処理を必要とせず、K-SVD や BM3D や WNNM よりもはるかに高速でありながら、特にテクスチャの保持を重視した最先端のノイズ除去性能を達成する。

ABSTRACT

Patch-based low-rank minimization for image processing attracts much attention in recent years. The minimization of the matrix rank coupled with the Frobenius norm data fidelity can be solved by the hard thresholding filter with principle component analysis (PCA) or singular value decomposition (SVD). Based on this idea, we propose a patch-based low-rank minimization method for image denoising. The main denoising process is stated in three equivalent way: PCA, SVD and low-rank minimization. Compared to recent patch-based sparse representation methods, experiments demonstrate that the proposed method is rather rapid, and it is effective for a variety of natural grayscale images and color images, especially for texture parts in images. Further improvements of this method are also given. In addition, due to the simplicity of this method, we could provide an explanation of the choice of the threshold parameter, estimation of PSNR values, and give other insights into this method.

研究の動機と目的

• 反復的最適化を回避する計算効率の高い画像ノイズ除去手法の開発。
• 自然画像における非局所的自己相似性を、類似パッチを類似性行列にグループ化することで活用する。
• 従来のスパース表現法や低ランク法と比較して、特にテクスチャ豊富な領域におけるノイズ除去性能の向上。
• 反復的プロセスを回避する1パス処理パイプラインにより、反復的手法よりも実行時間を短縮した高品質なノイズ除去を実現。

提案手法

• ノイズのある画像を重複する d×d のパッチに分割し、各基準パッチの周囲 n×n 領域内で類似パッチを特定する。
• 類似パッチを m 個（基準パッチを含む）選択し、それらを列ベクトルとして並べてサイズ d²×m の類似性行列を構築する。
• Frobenius 範数の忠実度を満たす条件下で、主成分基底（PCA を用いて）または左特異ベクトル（SVD を用いて）を用いて類似性行列にハードスレッショルドフィルタを適用し、ランクを最小化する。
• 低ランク近似処理を簡略化するため、類似性行列のパッチにゼロ平均を仮定する。
• 対称的境界処理を用いて、ノイズ除去済みパッチを元の位置に平均化することで、ノイズ除去済み画像を復元する。
• 類似性行列1つあたり1回のパス処理を実行し、反復的精緻化を回避することで、高い計算効率を実現する。

実験結果

リサーチクエスチョン

• RQ1 反復的でないパッチベース低ランク最小化手法は、著しく計算コストを削減しつつも、競争力のあるノイズ除去性能を達成できるか？
• RQ2 K-SVD や BM3D や WNNM と比較して、PSNR および視覚的品質の観点から、提案手法 PLR はどの程度優れているか？
• RQ3 スパース表現に基づく手法と比較して、自然画像における繊細なテクスチャや構造的詳細の保持は、どの程度良好か？
• RQ4 PCA/SVD を用いたハードスレッショルドは、画像ノイズ除去における低ランク行列近似問題に対して、効果的かつ効率的な解決法を提供できるか？

主な発見

• σ=10 の条件下で、Lena では 35.90 dB、Barbara では 35.50 dB の PSNR を達成し、K-SVD や LPG-PCA や PLOW を上回り、BM3D や WNNM と同等またはそれを上回る結果を示した。
• σ=20 の条件下で、Lena では 33.03 dB、Barbara では 32.12 dB の PSNR を達成し、K-SVD や LPG-PCA や PLOW を上回り、重要な指標において BM3D や WNNM を上回った。
• 実行時間は 256×256 画像でわずか 2 秒であり、K-SVD（210 秒）、LPG-PCA（138 秒）、WNNM（134 秒）を著しく上回る高速性を示した。
• 図1の視覚的結果から、Lena や Barbara の複雑な領域において、BM3D や WNNM や他の手法と比較して、PLR がテクスチャをよりよく保持していることが明らかになった。
• Peppers や House、Cameraman、Boats、Bridge、Lena など多様な画像に対して、PSNR と視覚的忠実度の両面で一貫した向上を示し、性能の頑健性を確認した。
• PCA/SVD を用いたコンactな辞書と1パスハードスレッショルドの組み合わせにより、ノイズ除去品質を損なわず高い効率性を実現し、リアルタイム応用に適している。