[論文レビュー] Blind PSF estimation and methods of deconvolution optimization

Yuriy Bunyak, Olga Sofina+1 more|arXiv (Cornell University)|Jun 15, 2012

Image and Signal Denoising Methods参考文献 27被引用数 5

ひとこと要約

本稿では、元画像と歪んだ画像の間で自己回帰（AR）パラメータを共有する条件下で、自己回帰（AR）行列作用素の零空間を用いて点 spread 関数（PSF）を推定するブラインドデコンボリューション手法を提案する。2つの反復最適化スキーム—バランスの取れた畳み込み／デコンボリューションにおける動的正則化と、画像推定空間における曲率に基づく正則化—を導入し、従来の手法よりも高速な収束を達成し、画像系列からのリアルタイムな高分解能画像再構成を可能にする。

ABSTRACT

We have shown that the left side null space of the autoregression (AR) matrix operator is the lexicographical presentation of the point spread function (PSF) on condition the AR parameters are common for original and blurred images. The method of inverse PSF evaluation with regularization functional as the function of surface area is offered. The inverse PSF was used for primary image estimation. Two methods of original image estimate optimization were designed basing on maximum entropy generalization of sought and blurred images conditional probability density and regularization. The first method uses balanced variations of convolution and deconvolution transforms to obtaining iterative schema of image optimization. The variations balance was defined by dynamic regularization basing on condition of iteration process convergence. The regularization has dynamic character because depends on current and previous image estimate variations. The second method implements the regularization of deconvolution optimization in curved space with metric defined on image estimate surface. It is basing on target functional invariance to fluctuations of optimal argument value. The given iterative schemas have faster convergence in comparison with known ones, so they can be used for reconstruction of high resolution images series in real time.

研究の動機と目的

• PSFが未知であり、歪んだ画像から推定されるブラインドデコンボリューションの課題に対処すること。
• 高分解能画像系列のリアルタイム処理を可能にするために、デコンボリューションアルゴリズムの収束速度を向上させること。
• 反復最適化中の画像推定の変動に応じて動的に適応する正則化戦略を開発すること。
• 最小限の事前知識で、歪んだ観測から元の画像を正確に再構成できること。
• AR作用素の構造的性質と画像表面幾何学に基づくPSF推定のフレームワークを確立すること。

提案手法

• 元画像と歪んだ画像の間でARパラメータを共有すると仮定し、PSFをAR行列作用素の左零空間の辞書的表現として推定する。
• 逆PSF推定の安定化とノイズ増幅の防止を目的として、表面積に基づく正則化関数を導入する。
• 最初の最適化手法では、バランスの取れた反復的畳み込みとデコンボリューション変換を用い、現在および直前の画像推定の変動に基づいて動的正則化を調整することで収束を保証する。
• 2番目の手法では、画像推定表面に定義された計量を用いて曲がった空間における正則化を適用し、小さなフラクチュエーション下でも目的関数の不変性を維持する。
• 両手法とも、安定性を保ちつつ収束を加速するように、反復的に画像推定を改善する反復スキームとして定式化される。
• アルゴリズムは計算効率が高く、画像系列のリアルタイム処理に適している。

実験結果

リサーチクエスチョン

• RQ1 元画像と歪んだ画像の間でARパラメータを共有する条件下で、AR行列作用素の零空間からPSFを信頼性高く推定できるか？
• RQ2 反復的変動に基づく動的正則化は、ブラインドデコンボリューションにおける収束速度をどのように向上させられるか？
• RQ3 画像推定空間における曲率に基づく正則化は、安定性と収束速度をどの程度向上させるか？
• RQ4 提案手法は、収束速度および再構成品質の観点で、既存のブラインドデコンボリューション技術を上回るか？
• RQ5 このフレームワークは、高分解能画像系列のリアルタイム処理に十分にスケーラブルかつ効率的か？

主な発見

• 元画像と歪んだ画像の間でARパラメータを共有する条件下では、PSFはAR行列の左零空間の辞書的基底として正確に推定可能である。
• 提案された動的正則化スキームは、反復的画像推定の変動に基づいて畳み込みとデコンボリューションステップのバランスを取ることで収束を保証する。
• 曲率に基づく正則化手法は、小さなフラクチュエーション下でも目的関数の不変性を維持し、耐障害性を向上させる。
• 両反復最適化スキームとも、既知の手法と比較してより高速な収束を示し、リアルタイム応用が可能である。
• 本手法は、事前知識が限られた状況下でも、歪んだ画像系列から高分解能画像を効果的に再構成できる。
• 表面積に基づく正則化関数は、逆PSF推定の安定性とノイズ抑制に寄与する。