[論文レビュー] CLEAR: Covariant LEAst-square Re-fitting with applications to image restoration

Charles‐Alban Deledalle, Nicolas Papadakis+2 more|arXiv (Cornell University)|Jun 16, 2016

Image and Signal Denoising Methods参考文献 42被引用数 26

ひとこと要約

この論文では、残差の局所的アフィン変換による再適合を通じて、画像復元手法における系統的バイアスを低減する新しいフレームワークであるCLEAR（Covariant LEAst-square Re-fitting）を提案する。この手法は元の推定子のヤコビ行列を保持するため、サポートやジャンプ位置の事前知識を必要とせず、安定性とロバスト性を確保する。また、計算コストは元のアルゴリズムの2倍〜3倍程度のわずかな増加で、全般的に全変換モデル（全変動、非局所平均など）において性能向上を達成する。

ABSTRACT

In this paper, we propose a new framework to remove parts of the systematic errors affecting popular restoration algorithms, with a special focus for image processing tasks. Generalizing ideas that emerged for $\\ell_1$ regularization, we develop an approach re-fitting the results of standard methods towards the input data. Total variation regularizations and non-local means are special cases of interest. We identify important covariant information that should be preserved by the re-fitting method, and emphasize the importance of preserving the Jacobian (w.r.t. the observed signal) of the original estimator. Then, we provide an approach that has a "twicing" flavor and allows re-fitting the restored signal by adding back a local affine transformation of the residual term. We illustrate the benefits of our method on numerical simulations for image restoration tasks.

研究の動機と目的

• 画像復元における凸緩和（例：ℓ1正則化や全変動）によって生じる系統的バイアスに対処すること。
• 元のデータに近づくように復元信号を向上させる再適合手法を開発し、事前分布が強制する構造的性質を保持すること。
• 非ゼロ係数やジャンプ位置の正確な同定を必要とする古典的手法の限界を克服すること。
• 再適合プロセスが共変的であることを保証すること—すなわち、観測信号に関して元の推定子のヤコビ行列を保持すること。
• ティホノフ、等方的TV、非局所平均、BM3D、DDIDを含む、広範な変分モデルクラスに一般化可能な再適合アプローチを構築すること。

提案手法

• 元の復元信号に、残差の局所的アフィン変換を加える再適合スキームを提案し、元の推定子の感度と整合性を保証する。
• 元の正則化（例：スパarsityや全変動）の構造を維持する制約付き最小二乗問題として再適合を定式化する。
• 活性集合の部分微分作用素への射影を用いたプライマル・デュアル法を用い、再適合制約を暗黙的に強制する。
• 推定子のヤコビ行列を保持することで、微小な摂動に対して再適合が不変であることを活用する。
• 元のアルゴリズムの解法プロセス中に反復的に再適合を適用することで、連合推定を可能にし、ロバスト性を向上させる。
• プライマル・デュアル法における射影が、最終的に元の解の活性集合と一致することを示し、再適合が正しい解に収束することを証明する。

実験結果

リサーチクエスチョン

• RQ1 非ゼロ係数やジャンプ位置の明示的同定を必要とせず、画像復元におけるバイアス低減を実現できる再適合手法は設計可能か？
• RQ2 再適合プロセスをどのようにして共変的に設計できるか—すなわち、入力信号に関して元の推定子のヤコビ行列を保持できるか？
• RQ3 特に不適切な設定やノイズが多い状況下でも、提案されたCLEARフレームワークは古典的手法の後処理再適合を上回る安定性と精度を達成できるか？
• RQ4 再適合アプローチは、非凸的または非滑らか正則化を含む、広範な変分モデルに一般化可能か？
• RQ5 CLEARを元の復元アルゴリズムに適用する際の計算コストの増加はどの程度か？

主な発見

• CLEARは、事前分布が強制する構造的性質を保持しつつ、観測データに近づくように解を再適合することで、復元画像のバイアスを低減する。
• ℓ1−ℓ2解析モデルでは計算コストが約2倍、より複雑なモデル（等方的TVや非局所平均）では約3倍の増加にとどまる。
• 古典的手法とは異なり、解のサポートやジャンプ位置の同定を必要としないため、反復解法における数値誤差に対してよりロバストである。
• 等方的全変動の場合は、境界付近で振動を増幅する可能性がある不変再適合よりも、CLEARが優れた結果をもたらす。
• プライマル・デュアル法により、射影演算子が最終的に元の解の活性集合と一致することを示し、再適合が正しい解に収束することが証明された。
• 数値シミュレーションにより、ノイズ除去やデブラーなどのさまざまなタスクにおいて、PSNRと視覚的忠実度の両面でCLEARが画像復元品質を一貫して向上させることを示した。