[論文レビュー] FRIST - Flipping and Rotation Invariant Sparsifying Transform Learning and Applications

Bihan Wen, Saiprasad Ravishankar+1 more|arXiv (Cornell University)|Nov 19, 2015

Sparse and Compressive Sensing Techniques参考文献 41被引用数 6

ひとこと要約

本稿では、回転および反転不変性を持つスパース化変換学習フレームワークであるFRISTを提案する。この手法は、共通の親変換を基に回転および反転操作を用いて導出される構造的ユニオンとしての変換を用いて、自然画像のパッチをモデル化する。本手法は、最適な更新を伴う効率的で収束性に優れた最適化を可能にし、スパース画像表現、ノイズ除去、穴埋め補完、圧縮センシングMRI再構成において優れた性能を示し、PANO や TL-MRI といった最先端手法と比較して最大0.8 dBのPSNR向上を達成した。

ABSTRACT

Features based on sparse representation, especially using the synthesis dictionary model, have been heavily exploited in signal processing and computer vision. However, synthesis dictionary learning typically involves NP-hard sparse coding and expensive learning steps. Recently, sparsifying transform learning received interest for its cheap computation and its optimal updates in the alternating algorithms. In this work, we develop a methodology for learning Flipping and Rotation Invariant Sparsifying Transforms, dubbed FRIST, to better represent natural images that contain textures with various geometrical directions. The proposed alternating FRIST learning algorithm involves efficient optimal updates. We provide a convergence guarantee, and demonstrate the empirical convergence behavior of the proposed FRIST learning approach. Preliminary experiments show the promising performance of FRIST learning for sparse image representation, segmentation, denoising, robust inpainting, and compressed sensing-based magnetic resonance image reconstruction.

研究の動機と目的

• 特に複数の方向性を持つテクスチャを含む多様な画像特徴をスパースに表現する際の、単一の適応的変換の限界を解消すること。
• 複数の変換にわたる幾何的対称性（反転および回転）を強制することで、非構造的変換学習における過学習を低減すること。
• 画像パッチ全体にわたってより一般化性の高い性能を発揮する、効率的かつ収束性を保証する構造的スパース化変換の学習アルゴリズムを開発すること。
• 学習されたFRISTを正則化子として用いることで、画像ノイズ除去、穴埋め補完、圧縮センシングMRI再構成などの逆問題における性能を向上させること。

提案手法

• 90°回転および水平・垂直反転操作を用いて、単一の親変換から複数の変換を生成するFRISTモデルを定義する。
• 親変換とスパースコードの両者に対して閉形式で最適な更新が可能な、交替的最適化アルゴリズムを定式化する。
• 各変換のスパースコードを更新し、次に親変換を最適化する、ブロック座標最小化フレームワークを導入する。
• 各変換ごとに固定されたスパースリティレベルsを満たすために、変換ドメインの係数にℓ₀ノルムによるスパarsity制約を組み込む。
• 部分問題の凸性を活用し、標準的な仮定の下でグローバル収束を証明することで収束性を保証する。
• ブロック一貫的な方法で、すべてのパッチに同一の変換を適用する形で、学習されたFRISTをMRI再構成などの逆問題における正則化子として適用する。

実験結果

リサーチクエスチョン

• RQ1 学習されたスパース化変換に反転および回転不変性を強制することで、方向性特徴を有する自然画像のスパース表現が向上するか？
• RQ2 FRIST学習は、既存の適応的変換および辞書学習手法と比較して、ノイズ除去、穴埋め補完、圧縮センシングMRI再構成などの画像回復タスクで優れた性能を発揮するか？
• RQ3 FRISTにおける構造的ユニオン・オブ・トランスフォームは、多くの自由パラメータを持つ非構造的変換学習と比較して、過学習をどのように低減するか？
• RQ4 幾何的対称性制約は、学習アルゴリズムの収束性およびロバストネスにどのような影響を与えるか？
• RQ5 逆画像処理問題において、単一の適応的変換や学習された辞書と比較して、FRISTはより効果的な正則化子として機能できるか？

主な発見

• 圧縮センシングMRI再構成において、FRISTはPANO手法に対して平均0.8 dB、PBDWS手法に対して平均0.5 dBのPSNR向上を達成した。
• FRIST-MRI再構成は、TL-MRIに対して平均0.2 dBのPSNR向上を示し、構造的変換が単一の適応的正方形変換よりも優れた正則化子であることを示した。
• 2.5×アンダーサンプリングの画像3において、FRIST-MRIは36.7 dBのPSNRを達成し、次善の手法（DL-MRI：36.6 dB）を上回り、ゼロフィリング（24.9 dB）を著しく上回った。
• FRIST再構成の誤差マップでは、特に曲線的な境界に沿ってアーチファクトが少なく、構造的忠実度が向上していることが示された。
• FRISTアルゴリズムは信頼性高く収束し、初期値の影響を受けにくく、多数のテストケースで実証的に収束が観察された。
• セグメンテーションおよびノイズ除去の実験を通じて、FRISTは方向性テクスチャやエッジの効果的なスパース表現を可能にした。