[論文レビュー] Average Interpolating Wavelets on Point Clouds and Graphs

Raif M. Rustamov|arXiv (Cornell University)|Oct 10, 2011

Image and Signal Denoising Methods参考文献 9被引用数 16

ひとこと要約

本稿は、ドノホの平均補間ウェーブレットスキームを一般化することで、点群およびグラフ上の関数のための新しいウェーブレット変換を提案する。滑らかさを最小化する補間関数をグラフラプラシアン固有関数に基づき構築することで、安定したマルチスケールウェーブレットを実現し、経験的収束性とほぼ一様なノイズ係数行動を示しながら、効果的なノイズ除去と回帰を達成する。

ABSTRACT

We introduce a new wavelet transform suitable for analyzing functions on point clouds and graphs. Our construction is based on a generalization of the average interpolating refinement scheme of Donoho. The most important ingredient of the original scheme that needs to be altered is the choice of the interpolant. Here, we define the interpolant as the minimizer of a smoothness functional, namely a generalization of the Laplacian energy, subject to the averaging constraints. In the continuous setting, we derive a formula for the optimal solution in terms of the poly-harmonic Green's function. The form of this solution is used to motivate our construction in the setting of graphs and point clouds. We highlight the empirical convergence of our refinement scheme and the potential applications of the resulting wavelet transform through experiments on a number of data stets.

研究の動機と目的

• ユークリッド空間以外のドメイン（点群やグラフなど）における、強固で安定したマルチスケールウェーブレット構築の不足を解消すること。
• 不規則なドメインにおける補間の不安定性を、一般化されたラプラシアンエネルギー関数を用いた滑らかさ制約によって克服すること。
• ユークリッド空間で有効であったドノホの平均補間ウェーブレットスキームを、多様体、グラフ、点群へと一般化すること。
• 消滅モーメントと係数安定性を保証することで、不規則データにおけるノイズ除去や回帰などの実用的応用を可能にすること。
• 離散的な幾何データ上での連続的かつ適応的なスケーリング関数およびウェーブレットを構築する理論的根拠に基づいた、経験的に収束するフレームワークを提供すること。

提案手法

• 親領域および隣接領域における平均化制約を満たす条件下で、滑らかさ関数（一般化ラプラシアンエネルギー）の最小化者として補間関数を定義する。
• 連続的設定では、ポリ調和グリーン関数を用いて最適解を導出し、離散的構築の根拠とする。
• 離散的設定では、グラフラプラシアンの低固有値固有関数の線形結合として補間関数を表現することで、滑らかさと安定性を確保する。
• 点群およびグラフ上で階層的二分木型の細分化スキームを構築し、親領域の関数平均を補間関数を用いて子領域の平均を予測する。
• 予測平均と実際の平均の差分から得られるウェーブレット係数を用いて、マルチスケール解析を可能にする。
• ノイズ除去のためにはウェーブレットスレッショルド処理（例：レベル5以降の係数を0に設定）を適用し、回帰タスクの再構成には逆変換を用いる。

実験結果

リサーチクエスチョン

• RQ1 平均補間ウェーブレットスキームは、ユークリッド空間以外のドメイン（点群やグラフなど）へ一般化可能であり、安定性と消滅モーメントを保つことができるか？
• RQ2 近隣領域のサイズが変動する不規則なドメインにおいて、多項式補間が失敗する状況で、安定な補間スキームをどのように構築できるか？
• RQ3 グラフラプラシアン固有関数は、マルチスケール解析のための滑らかで適応的な補間関数を構築する上で果たす役割は何か？
• RQ4 提案された細分化スキームは、経験的に収束し、不規則なドメイン上での連続的で形状適応的なスケーリング関数を生成するか？
• RQ5 白色ノイズ入力に対する結果得られるウェーブレット係数は、どの程度ノイズに類似した性質（ほぼ一様な大きさ、スケールおよび位置間の近似的な独立性）を示すか？これにより、効果的なノイズ除去が可能になるか？

主な発見

• 提案されたウェーブレット構築法は、細分化スキームの経験的収束を達成し、密集領域内に広がり、その後に細長い構造へと拡張する連続的で形状適応的なスケーリング関数を生成する。
• 球面上のノイズを含む関数に対するノイズ除去実験では、ウェーブレットスレッショルド処理（レベルl ≥ 5の係数を0に設定）により、信号対ノイズ比が1.24 dBから18.2 dBに向上した。
• 75個のサンプル点を有する5次元球面上の回帰において、ウェーブレットベースの再構成により、正規化された平均二乗誤差（RMSE）が2.83%に達した。
• 白色ノイズ入力に対するウェーブレット係数は、スケールおよび位置間でほぼ一様な大きさと近似的な統計的独立性を示し、効果的なノイズ除去に不可欠な性質である。
• 離散的設定における補間関数は、グラフラプラシアンの低周波数固有関数の線形結合であり、平均化制約を満たす一方で滑らかさ測度を最小化する。
• 再結合ステップ（wavelet係数を調整してαl,k + α′l,k = 0を満たす）により、不均一なサンプリングの影響が補正され、ピラミッド構造内の整合性が保証される。