[論文レビュー] Deconvolution of Poissonian Images Using Variable Splitting and Augmented Lagrangian Optimization

Mário A. T. Figueiredo, José M. Bioucas‐Dias|ArXiv.org|Apr 30, 2009

Sparse and Compressive Sensing Techniques参考文献 19被引用数 5

ひとこと要約

本稿では、変数分割と増大ラグランジュ最適化を用いて、ポアソン雑音画像のための非滑らかで非二次の正則化問題を効率的に解く、新規なデコンボリューション手法を提案する。この問題は、ポアソン対数尤度と全 variation (TV) 正則化を組み合わせることで生じる。手法は元の問題を制約付き最適化問題に変換し、交互最小化により高速かつ収束性を有するアルゴリズムを可能にし、既存手法と比較してより高速な収束を達成する。

ABSTRACT

Although much research has been devoted to the problem of restoring Poissonian images, namely in the fields of medical and astronomical imaging, applying the state of the art regularizers (such as those based on wavelets or total variation) to this class of images is still an open research front. This paper proposes a new image deconvolution approach for images with Poisson statistical models, with the following building blocks: (a) a standard regularization/MAP criterion, combining the Poisson log-likelihood with a regularizer (log-prior) is adopted; (b) the resulting optimization problem (which is difficult, since it involves a non-quadratic and non-separable term plus a non-smooth term) is transformed into an equivalent constrained problem, via a variable splitting procedure; (c) this constrained problem is addressed using an augmented Lagrangian framework. The effectiveness of the resulting algorithm is illustrated in comparison with current state-of-the-art methods.

研究の動機と目的

• ポアソン分布に従う雑音が混入したぼやけた画像の復元という課題に取り組む。標準的なガウス分布に基づく手法は、非ガウス分布の雑音モデルのため失敗する。
• 既存のアルゴリズムがポアソン対数尤度の非リプシッツ連続勾配と非滑らかTV正則化子の両方の制限を克服できないことに対処する。
• 変数分割と増大ラグランジュ法を用いて、効率的な計算を可能にする、ロバストで収束性を保証する最適化フレームワークを構築する。
• 最先端の手法と比較して、再構成品質と計算効率の両面で優れた性能を示す。

提案手法

• 非凸的かつ非滑らかな元の最適化問題を、変数分割により等価な制約付き問題に変換する。複雑な項を分離するために補助変数を導入する。
• 制約付き問題を解くために増大ラグランジュフレームワークを適用し、収束性を保証するとともに、変数ごとの交互最小化を可能にする。
• x 変数に関する部分問題を、畳み込み作用素と単位行列を含む線形方程式として解き、ブロックトーペリッツ／巡回構造に対して高速フーリエ変換（FFT）を用いて効率的に計算する。
• z 変数に関する部分問題を、二次方程式から導かれる閉形式解により解き、非負性が自動的に満たされるようにする。
• Chambolleの高速アルゴリズムを用いてモレウの近似作用素を用いてTVベースのノイズ除去を実行し、画像勾配のスパarsityを強制する。
• 双対変数とペナルティパラメータを反復的に更新する。増大ラグランジュ法の標準的条件下で収束が保証される。

実験結果

リサーチクエスチョン

• RQ1 変数分割と増大ラグランジュ最適化は、非滑らかTV正則化を伴うポアソン画像デコンボリューションに効果的に適用可能か？
• RQ2 既存の最先端のアルゴリズムと比較して、提案手法の収束速度と再構成精度はどのように異なるか？
• RQ3 ポアソン対数尤度がリプシッツ連続勾配を持たない場合でも、本アルゴリズムは高SNRおよび低SNRの両方の状況を効果的に処理できるか？
• RQ4 増大ラグランジュフレームワークで固定のペナルティパラメータを使用しても、収束性と実用的性能が保証されるか？
• RQ5 本手法は、全 variation 以外の正則化子、例えばフレームベースのスパース表現へも拡張可能か？

主な発見

• 提案手法のPIDALアルゴリズムは、高SNR実験において平均6.96 dBのISNR向上を達成し、[13]で報告された6.61 dBを上回った。
• 低SNR実験では、全テスト強度レベル（5, 30, 100, 255）において、MAEがそれぞれ0.37, 1.34, 3.99, 8.65と低く抑えられ、[9]の手法（0.44, 1.44, 4.69, 10.40）を下回った。
• [9]の手法の1回の実行時間はPIDALの約10倍かかっており、提案手法の顕著な高速性が示された。
• z 変数部分問題の閉形式解のおかげで、画像推定値の非負性制約が自動的に満たされる。
• 本手法はさまざまなSNR条件下でもロバストであり、特に低強度でも高い再構成忠実度を維持した。
• より単純な構造のTV正則化が、[13]のより複雑な局所的適応的技術よりも優れた結果をもたらした。これは、提案された最適化フレームワークの有効性を示している。