[論文レビュー] Edge-adaptive l2 regularization image reconstruction from non-uniform Fourier data

Victor Churchill, Richard Archibald+1 more|arXiv (Cornell University)|Nov 20, 2018

Sparse and Compressive Sensing Techniques参考文献 35被引用数 6

ひとこと要約

本稿では、非一様フーリエデータからの画像再構成のためのエッジ適応型ℓ₂正則化法を提案する。エッジ検出に1回のℓ₁ベースのステップを用いてエッジでない領域にのみℓ₂正則化を適用するマスクを生成する。この手法は、反復的重み付けℓ₁法と比較してエッジ周辺の再構成精度と解像度が優れており、効率的なℓ₂最小化と共役勾配ソルバーのおかげで、大規模な画像では最大30倍も高速である。

ABSTRACT

Total variation regularization based on the l1 norm is ubiquitous in image reconstruction. However, the resulting reconstructions are not always as sparse in the edge domain as desired. Iteratively reweighted methods provide some improvement in accuracy, but at the cost of extended runtime. In this paper we examine these methods for the case of data acquired as non-uniform Fourier samples. We then develop a non-iterative weighted regularization method that uses a pre-processing edge detection to find exactly where the sparsity should be in the edge domain. We show that its performance in terms of both accuracy and speed has the potential to outperform reweighted TV regularization methods.

研究の動機と目的

• 非一様フーリエサンプルからの画像再構成において、全変動（TV）正則化がエッジ領域でのスパarsityを促進する点に限界があることに対処する。
• 反復的重み付けℓ₁正則化法の高い計算コストと最適でないエッジ解像度の問題を克服する。
• 事前処理されたエッジ検出を活用し、反復を必要とせず、必要な箇所にのみℓ₂正則化を適用する効率的な代替手法を開発する。
• エッジ領域では忠実度項に依存し、エッジでない領域では軽微な正則化を許容することで、ノイズ耐性を向上させる。

提案手法

• エッジ検出にℓ₁正則化を用い、エッジ領域で非ゼロと予想される領域を特定するバイナリーマスクを生成する。
• 検出されたエッジからマトリクス M = Mˣ + Mʸ を構築し、エッジでない領域でのみℓ₂正則化を適用する。
• 再構成を非反復的ℓ₂正則化最小二乗問題として定式化する：f* = argmin_g ||ℱₙg − f̂||₂² + λ||Mg||₂²。
• ℓ₂部分問題に高速な共役勾配下降ソルバーを活用し、ℓ₁最小化と比較して迅速な収束を実現する。
• ℓ₂正則化を直接適用することで、位相抽出行列（Θ*）の必要性を排除し、最適化を簡素化する。
• エッジマスクを正則化項に統合し、スパarsityが予想される領域でのみℓ₂ペナルティが適用されるようにする。

実験結果

リサーチクエスチョン

• RQ1 非一様フーリエデータに対する画像再構成において、反復的でないエッジ適応型ℓ₂正則化法は、反復的重み付けℓ₁法を上回る再構成精度と解像度を達成できるか？
• RQ2 事前に処理されたエッジマスクを用いてℓ₂正則化をガイドすることで、計算コストを削減しながら再構成忠実度を維持または向上できるか？
• RQ3 標準的なTV法および再重み付けℓ₁法と比較して、提案手法はノイズ耐性とエッジの鋭さにおいて優れているか？
• RQ4 反復的ℓ₁最小化を1回のℓ₂解に置き換えることで、特に大規模な画像において顕著な高速化を達成できるか？
• RQ5 エッジマスクは、マルチスケールまたはマルチ測定ベクトル（MMV）応用において、再利用可能または一般化可能である程度はどの程度か？

主な発見

• エッジ適応型ℓ₂法は、合成データおよび実際のSARデータの両方で、反復的重み付けℓ₁法よりも高いポイントワイズ再構成精度と優れたエッジの鋭さを達成した。
• 1025×1025の画像では、再構成が6分28秒で完了したのに対し、反復的重み付けℓ₁法（アルゴリズム2）では3時間以上を要した。これは30倍の高速化に相当する。
• 129×129の画像では、エッジ検出ステップを含めたとしても、反復的重み付けℓ₁法の1回の反復（4分10秒）よりも、本手法は5.6秒で完了した。
• ℓ₂正則化の適用により、ノイズが強いSARデータにおいてエッジでない領域の過剰な正則化が強化され、ノイズ抑制効果が向上した。
• ℓ₂部分問題には閉形式解が存在し、効率的な実装が可能であり、リアルタイムまたは組み込みシステムへの応用も見込める。
• アルゴリズム4で生成されたエッジマスクは、画像品質の交差検証ツールとして機能し、事前にエッジが分かっている場合には複数の再構成に再利用可能である。