[論文レビュー] A Robust Alternating Direction Method for Constrained Hybrid Variational Deblurring Model

Ryan Wen Liu, Tian Xu|arXiv (Cornell University)|Aug 31, 2013

Image and Signal Denoising Methods参考文献 2被引用数 3

ひとこと要約

本稿では、ボックス制約を組み合わせた第一および第二階微分の非凸全 variation 正則化子を統合した制約付きハイブリッド非凸全 variation モデルを提案する。ADMMに基づく反復的重み付けアルゴリズムを用いることで、リバーブアーチファクトを効果的に抑制しながら細部を保持し、さまざまなぼかしとノイズ条件において、定性的および定量的評価の両面で最先端の手法を上回る性能を発揮する。

ABSTRACT

In this work, a new constrained hybrid variational deblurring model is developed by combining the non-convex first- and second-order total variation regularizers. Moreover, a box constraint is imposed on the proposed model to guarantee high deblurring performance. The developed constrained hybrid variational model could achieve a good balance between preserving image details and alleviating ringing artifacts. In what follows, we present the corresponding numerical solution by employing an iteratively reweighted algorithm based on alternating direction method of multipliers. The experimental results demonstrate the superior performance of the proposed method in terms of quantitative and qualitative image quality assessments.

研究の動機と目的

• 凸 TV に基づくデブラーの限界、例えば過剰な平滑化やリバーブアーチファクトを解消するため、非凸第一および第二階微分全 variation 正則化子を組み合わせること。
• 物理的ダイナミックレンジ内に画素値を維持するボックス制約を組み込むことで、画像復元の現実性を高め、画像復元性能を向上させること。
• ハイブリッド変分モデルに由来する非凸かつ制約付き最適化問題に対する数値的に堅牢で効率的な解法の開発。
• 局所ヘッシアン構造に基づく適応的重み付けにより、エッジ保持とアーチファクト抑制のバランスの最適化。
• ノイズなしおよびノイズありのデブラー状況の両方において、既存の最先端手法に対する優位性を検証すること。

提案手法

• 提案手法は、非凸第一および第二階微分全 variation 正則化子とハイパーラプラシアン事前分布を組み合わせ、アーチファクト抑制と細部保持のバランスを制御するパラメータ ν₁ と ν₂ を用いる。
• 物理的に妥当な解を得るために、画像強度値にボックス制約 [l, u] を課すことにより、範囲外の画素値を防止する。
• 現在の画像推定のガウスフィルタ処理済みヘッシアン行列の固有値を用いて、適応的重み関数 ζ を計算し、領域別正則化を可能にする。
• 最適化は、効率性と堅牢性を確保するため、閉形式で解ける部分問題を有する ADMM に基づく反復的重み付けアルゴリズムで解く。
• アルゴリズムは、画像推定、双対変数、ペナルティパラメータの更新を交互に繰り返し、安定解への収束を保証する。
• 画像劣化プロセスの行列・ベクトル表現を用いて実装し、H はぼかし行列、g は観測済みぼやけ画像を表す。

実験結果

リサーチクエスチョン

• RQ1 第一および第二階微分の導関数を組み合わせたハイブリッド非凸全 variation モデルは、凸または単一階微分 TV モデルと比較して、デブラー性能を向上させることができるか？
• RQ2 ボックス制約を組み込むことで、リバーブアーチファクトおよびノイズの存在下でも、復元画像の品質と物理的妥当性は向上するか？
• RQ3 ADMMに基づく反復的重み付けアルゴリズムは、閉形式で解ける部分問題を有する非凸かつ非微分可能な最適化問題を効率的に解くことができるか？
• RQ4 ぼかしのみまたはぼかし＋ノイズの異なる劣化条件下で、第一および第二階正則化の最適なバランス（ν₁, ν₂）は何か？
• RQ5 局所ヘッシアン構造に基づく適応的重み関数は、テクスチャおよびエッジ領域における細部の保持をどのように向上させるか？

主な発見

• ν₁ = ν₂ = 0.55 とした本手法の CNCHTV モデルは、すべてのテスト画像および劣化条件下で最良の総合的性能を達成し、Krishnan や Chan の手法よりも MSSIM スコアで優れていた。
• ノイズなし条件下では、本手法は Krishnan の手法がテクスチャを過剰に平滑化したのに対し、Chan の手法が顕著なリバーブアーチファクトを引き起こしたのに対し、顕著に優れた細部の保持を実現した。
• ガウスノイズが付加された状況（1%、2%、5%）では、本手法は高い視覚的品質と細部の忠実度を維持した一方、Krishnan や Chan の手法はノイズレベルの上昇に伴い著しく性能が低下した。
• 適応的重み関数 ζ は、テクスチャ領域および均一領域を的確に同定し、エッジおよび細部に高い重みを割り当て、局所的デブラー精度を向上させた。
• 反復的重み付け ADMM アルゴリズムは安定的かつ効率的に収束し、部分問題が閉形式で解けるため、堅牢で高速なデブラーが可能になった。
• 表1の定量的評価結果は、本手法がすべてのテスト画像およびノイズレベルで、最先端手法を上回る一貫した高い MSSIM 値を達成していることを確認した。