[論文レビュー] Directional Total Generalized Variation Regularization

Rasmus Dalgas Kongskov, Yiqiu Dong+1 more|arXiv (Cornell University)|Jan 10, 2017

Sparse and Compressive Sensing Techniques参考文献 6被引用数 6

ひとこと要約

本稿では、方向性の事前知識を高階微分に組み込むことで、画像修復に向けた新たな正則化手法である方向的全一般化変動（DTGV）を提案する。最小二乗データ適合項と方向的全一般化変動を組み合わせた L²-DTGV モデルは、等方的正則化手法（TV や TGV）と比較して、方向性テクスチャにおけるエッジの保持とノイズ除去において優れた性能を発揮する。解の存在と一意性に関する理論的保証が得られ、ノイズ除去およびぼかし除去の数値実験を通じて検証されている。

ABSTRACT

In inverse problems, prior information and a priori-based regularization techniques play important roles. In this paper, we focus on image restoration problems, especially on restoring images whose texture mainly follow one direction. In order to incorporate the directional information, we propose a new directional total generalized variation (DTGV) functional, which is based on total generalized variation (TGV) by Bredies extit{et al}. [SIAM J. Imaging Sci., 3 (2010)]. After studying the mathematical properties of DTGV, we utilize it as regularizer and propose the L$^2$-DTGV variational model for solving image restoration problems. Due to the requirement of the directional information in DTGV, we give a direction estimation algorithm, and then apply a primal-dual algorithm to solve the minimization problem. Experimental results show the effectiveness of the proposed method for restoring the directional images. In comparison with isotropic regularizers like total variation and TGV, the improvement of texture preservation and noise removal is significant.

研究の動機と目的

• 繊維強化材料や地震画像処理において、等方的正則化手法（TV や TGV）が方向性テクスチャを適切に保持できないという限界を解決すること。
• 連続的定式化を用いて方向的正則化を高階微分へ拡張することで、全変動（TV）における階段状アーチファクトを克服すること。
• 連続的設定における方向的全一般化変動（DTGV）の数学的に整合性のあるフレームワークを構築し、理論的厳密性を確保すること。
• L²-DTGV 変分モデルを効率的に解くための原双対アルゴリズムを提案し、実用的実装を可能にすること。
• DTGV の入力として使用可能な方向推定アルゴリズムを設計し、実世界の方向性画像修復への適用可能性を確保すること。

提案手法

• 方向的全変動（DTV）を、方向微分を用いて2通りの同等な定式化により定義し、正則化に異方的構造を埋め込む。
• DTV を高階に一般化するために、方向的全一般化変動（DTGV）を導入し、第一および第二階微分に方向情報を組み込む。
• L²-DTGV 変分モデルを構築：最小二乗データ適合項と DTGV 正則化項の和を、調整パrameter λ でバランスさせたもの。
• 適切な関数解析的条件下で、L²-DTGV モデルの最小化子の存在と一意性を証明する。
• DTGV 機能の構造を活用して、効率的な計算が可能な原双対アルゴリズムを実装し、最小化問題を解く。
• 局所的構造テンソル解析に基づく方向推定アルゴリズムを統合し、正則化の前段階で主要テクスチャ方向を特定する。

実験結果

リサーチクエスチョン

• RQ1 全一般化変動における高階微分に、第一階微分を超えて方向性情報を効果的に組み込むことができるか？
• RQ2 提案された DTGV 正則化は、等方的 TGV や TV と比較して、方向性テクスチャの保持と階段状アーチファクトの低減においてどの程度優れているか？
• RQ3 DTGV 機能の理論的性質、特に変分モデルにおける最小化子の存在と一意性は何か？
• RQ4 第一階微分にのみ方向性情報が適用される場合、DTGV と異方的 TGV（ITGV）の性能はどのように異なるか？
• RQ5 方向性事前知識が満たされない場合に生じるアーチファクトは何か、そして実際の応用でそれらをどのように軽減できるか？

主な発見

• L²-DTGV モデルは、等方的正則化手法（TV や TGV）と比較して、テクスチャの保持とノイズ除去において顕著な向上を示し、ぼかし除去実験では少なくとも 2.5 dB の PSNR 向上を達成した。
• DTGV は第二階微分の方向的成分を組み込むことで、DTV や TV とは異なり、傾斜領域における階段状アーチファクトを効果的に抑制する。
• 提案された方向推定アルゴリズムは、主なテクスチャ方向を信頼性高く特定でき、実画像における DTGV の有効な利用を可能にする。
• 画像構造が想定される主方向から逸脱すると、特に主方向に垂直な領域の境界付近でアーチファクトが生じる。
• 第一および第二階微分に方向性情報が適用される場合、DTGV は異方的 TGV（ITGV）を上回る性能を示し、高階方向正則化の利点を実証した。
• 理論的解析により、L²-DTGV 変分モデルの最小化子が存在し一意であることが確認され、解の安定性が保証された。