[論文レビュー] Graph Laplacian Regularization for Inverse Imaging: Analysis in the Continuous Domain.

Jiahao Pang, Gene Cheung|arXiv (Cornell University)|Apr 27, 2016

Sparse and Compressive Sensing Techniques参考文献 37被引用数 16

ひとこと要約

本稿は、逆画像復元におけるグラフラプラシアン正則化の連続的領域での分析を提供し、局所的な画像構造に適応するメトリック空間ノルムに収束することを示している。ピクセルパッチの近傍をリーマン多様体としてモデル化することで、画像ノイズ除去に最適なグラフラプラシアン正則化子を導出し、特に区分的滑らかさを持つ画像において、最先端の手法を上回る性能を発揮するとともに、正則化を異方的拡散として解釈する。

ABSTRACT

Inverse imaging problems are inherently under-determined, and hence it is important to employ appropriate image priors for regularization. One recent popular prior---the graph Laplacian regularizer---assumes that the target pixel patch is smooth with respect to an appropriately chosen graph. However, the mechanisms and implications of imposing the graph Laplacian regularizer on the original inverse problem are not well understood. To address this problem, in this paper we interpret neighborhood graphs of pixel patches as discrete counterparts of Riemannian manifolds and perform analysis in the continuous domain, providing insights into several fundamental aspects of graph Laplacian regularization. Specifically, we first show the convergence of the graph Laplacian regularizer to a continuous-domain functional, integrating a norm measured in a locally adaptive metric space. Focusing on image denoising, we derive an optimal metric space assuming nonlocal self-similarity of pixel patches, leading to an optimal graph Laplacian regularizer for denoising in the discrete domain. We then interpret graph Laplacian regularization as an anisotropic diffusion scheme to explain its behavior during iterations, e.g., its tendency to promote piecewise smooth signals under certain settings. To verify our analysis, an iterative image denoising algorithm is developed. Experimental results show that our algorithm performs competitively with state-of-the-art denoising methods such as BM3D for natural images, and outperforms them significantly for piecewise smooth images.

研究の動機と目的

• 逆画像復元問題におけるグラフラプラシアン正則化の理論的メカニズムとその意味を理解すること。
• ピクセルパッチの近傍グラフを連続的領域におけるリーマン多様体の離散的近似として解釈すること。
• パッチの非局所的自己類似性に基づいて、画像ノイズ除去のための最適なメトリック空間を導出すること。
• グラフラプラシアン正則化を異方的拡散として解釈し、その反復的挙動を説明すること。
• 理論的分析を新たな反復的ノイズ除去アルゴリズムとして実装し、ベンチマーク性能で検証すること。

提案手法

• ピクセルパッチの近傍をリーマン多様体としてモデル化し、グラフラプラシアンを連続的微分作用素の離散的近似として分析する。
• グラフラプラシアン正則化子が、局所的に適応するメトリック空間におけるノルムを統合する連続的関数に収束することを証明する。
• 画像パッチの非局所的自己類似性を活用して、ノイズ除去のための最適なメトリック空間を導出する。
• 導出された最適なメトリックに基づいて、逆画像復元に使用可能な離散的グラフラプラシアン正則化子を構築する。
• 正則化プロセスを異方的拡散として再解釈し、区分的滑らかさを持つ信号を促進する挙動の理由を説明する。
• 理論的知見に基づいた反復的ノイズ除去アルゴリズムを開発し、実験的に検証する。

実験結果

リサーチクエスチョン

• RQ1 グラフラプラシアン正則化子は連続的領域でどのように振る舞い、どのような関数に近づくのか？
• RQ2 パッチの非局所的自己類似性を活用した場合、画像ノイズ除去のための最適なメトリック空間は何か？
• RQ3 グラフラプラシアン正則化は異方的拡散とどのように関係し、なぜ区分的滑らかさを促進するのか？
• RQ4 理論的根拠に基づいたグラフラプラシアン正則化子は、既存の最先端手法を上回る性能を発揮できるか？
• RQ5 離散的グラフラプラシアンは、その連続的領域における対応物にどのように収束するか？

主な発見

• グラフラプラシアン正則化子は、画像パッチ構造から導かれる局所的に適応するメトリック空間におけるノルムを統合する連続的関数に収束する。
• ノイズ除去のための最適なメトリック空間は、非局所的自己類似性に基づいて導出され、優れた離散的グラフラプラシアン正則化子をもたらす。
• グラフラプラシアン正則化は、解析的に異方的拡散として解釈可能であり、適切な設定下で区分的滑らかさを持つ信号を促進する理由を説明できる。
• 提案された反復的ノイズ除去アルゴリズムは、自然画像においてBM3Dと同等の性能を達成し、優れた一般化性能を示した。
• アルゴリズムは、区分的滑らかさを持つ画像においてBM3Dや他の最先端手法を顕著に上回り、理論的設計の有効性を実証した。
• 理論的枠組みは、グラフラプラシアン正則化の本質的理解を提供し、離散的グラフ構造と連続的微分幾何学を結びつける。