[論文レビュー] Fast and Accurate Poisson Denoising with Optimized Nonlinear Diffusion

Wensen Feng, Yunjin Chen|arXiv (Cornell University)|Oct 10, 2015

Image and Signal Denoising Methods参考文献 19被引用数 3

ひとこと要約

本稿では、ポisson雑音の統計的特性に適合した線形フィルタと非線形影響関数を同時に最適化する、最適化されたトレーニング可能非線形反応拡散（TRDPD）モデルを用いた高速かつ高精度なポアソンノイズ除去手法を提案する。この手法は、効率的なGPU並列推論を活用し、512×512の画像において0.1秒未塔で最先端のノイズ除去性能を達成しており、高い精度と優れた計算速度を両立している。

ABSTRACT

The degradation of the acquired signal by Poisson noise is a common problem for various imaging applications, such as medical imaging, night vision and microscopy. Up to now, many state-of-the-art Poisson denoising techniques mainly concentrate on achieving utmost performance, with little consideration for the computation efficiency. Therefore, in this study we aim to propose an efficient Poisson denoising model with both high computational efficiency and recovery quality. To this end, we exploit the newly-developed trainable nonlinear reaction diffusion model which has proven an extremely fast image restoration approach with performance surpassing recent state-of-the-arts. We retrain the model parameters, including the linear filters and influence functions by taking into account the Poisson noise statistics, and end up with an optimized nonlinear diffusion model specialized for Poisson denoising. The trained model provides strongly competitive results against state-of-the-art approaches, meanwhile bearing the properties of simple structure and high efficiency. Furthermore, our proposed model comes along with an additional advantage, that the diffusion process is well-suited for parallel computation on GPUs. For images of size $512 imes 512$, our GPU implementation takes less than 0.1 seconds to produce state-of-the-art Poisson denoising performance.

研究の動機と目的

• 最先端のポアソンノイズ除去手法において計算効率が不足している問題に取り組むこと。特に、精度を優先し、速度を犠牲にしている点を改善する。
• 極めて短い推論時間で高い画像修復品質を維持できるノイズ除去モデルの開発を目的とする。
• トレーニング可能な非線形反応拡散フレームワークを活用し、ポアソン雑音の統計的特性に基づいて、フィルタと影響関数の両方を最適化する。
• モデルの単純で畳み込み構造を活かして、GPU上で効率的な並列計算を可能にする。
• 医療画像、顕微鏡、夜間視界などの分野で、速度と精度の両方が重要なリアルタイム応用に対する実用的ソリューションを提供すること。

提案手法

• 本手法は、学習可能な活性化関数を備えた再帰的畳み込みネットワークとして、トレーニング可能な非線形反応拡散モデルを定式化し、従来の固定活性化関数に代わる。
• ポアソン雑音分布に基づくエネルギー関数を導出し、エンド・トゥ・エンドの学習によりモデルパラメータ（フィルタと影響関数）を最適化する。
• 影響関数は、局所的な画像勾配と強度に応じて拡散強度を制御する非線形的かつ適応的な関数として学習される。
• 明示的な拡散ステップ数を少数に抑え、高速な推論とGPUアクセラレーションに適した高い並列性を実現する。
• 信号依存性のあるポアソン雑音を明示的に考慮するため、低強度領域で性能が低下する分散安定化変換（VST）を回避する。
• 最終的なモデルは、反復的かつ空間的に適応的な拡散を実行する、軽量で微分可能かつ柔軟なアーキテクチャとして実装される。

実験結果

リサーチクエスチョン

• RQ1 トレーニング可能な非線形拡散モデルを、ポアソンノイズ除去に効果的に最適化することで、高精度かつ低計算コストを両立できるか？
• RQ2 ポアソン固有の統計的特性に基づいて学習された拡散モデルの性能は、PSNRおよびSSIMの観点で最先端の手法と比較してどうなるか？
• RQ3 モデルの単純な構造と畳み込み演算が、リアルタイム推論に適した効率的なGPU並列処理をどの程度可能にするか？
• RQ4 分散安定化変換（例：アンスコム変換）を回避することで、低信号強度領域での性能がVSTベースの手法よりも向上するか？
• RQ5 拡散フレームワーク内でフィルタと影響関数を共同最適化することで、固定活性化関数を備えた標準的なCNNを上回るノイズ除去品質が達成できるか？

主な発見

• ピーク強度4の512×512画像において、GPU最適化済みTRDPDモデルは0.1秒未塔の推論時間を達成し、CPUベースの競合手法を著しく上回っている。
• 標準テストセットにおいて、7×7フィルタを用いたTRDPDは、Image 8（ピーク=40）でPSNR 29.06、SSIM 0.809を達成し、BM3DおよびNLSPCAを上回っている。
• Image 7（ピーク=20）では、TRDPDがPSNR 27.01、SSIM 0.856を記録し、両指標でBM3DおよびNLSPCAを上回っている。
• すべてのテスト画像およびノイズレベルにおいて、TRDPDはBM3DおよびNLSPCAを一貫して上回っており、特にVSTベース手法が失敗する低ピーク領域で顕著な優位性を示している。
• TRDPDモデルは、多様な画像タイプとノイズレベルにわたって優れた一般化性能を示し、画像固有のチューニングなしに高精度を維持している。
• モデルの単純で畳み込み構造のおかげで、効率的なGPU並列処理が可能であり、医療・科学的画像分野におけるリアルタイム応用に適している。