[論文レビュー] Image Denoising Using Convolutional Autoencoder

Prashanth Venkataraman|arXiv (Cornell University)|Jul 24, 2022

Image and Signal Denoising Methods被引用数 7

ひとこと要約

この論文は、MNISTデータセット上で完全結合自己符号化器（FAE）と比較して、画像ノイズ除去のための畳み込み自己符号化器（CAE）を提案している。CAEは畳み込み層を用いて空間的特徴を学習し、ノイズのある入力を元の綺麗な画像に再構築する。検証損失は0.0871にまで低下し、FAEの0.2305よりも顕著に低い。これは、より優れた特徴表現による優れたノイズ除去性能を示している。

ABSTRACT

With the inexorable digitalisation of the modern world, every subset in the field of technology goes through major advancements constantly. One such subset is digital images which are ever so popular. Images can not always be as visually pleasing or clear as you would want them to be and are often distorted or obscured with noise. A number of techniques to enhance images have come up as the years passed, all with their own respective pros and cons. In this paper, we look at one such particular technique which accomplishes this task with the help of a neural network model commonly known as an autoencoder. We construct different architectures for the model and compare results in order to decide the one best suited for the task. The characteristics and working of the model are discussed briefly knowing which can help set a path for future research.

研究の動機と目的

• 28×28グレースケール画像のノイズ除去における自己符号化器の有効性を評価すること。
• 完全結合自己符号化器（FAE）と畳み込み自己符号化器（CAE）を用いた画像ノイズ除去の比較を行うこと。
• ガウスノイズが存在する状況で、どのアーキテクチャがより優れた再構築品質と低い損失を達成するかを特定すること。
• 畳み込み層がノイズ除去タスクにおける意味のある画像表現を学習する上で果たす役割を調査すること。
• 将来的な高解像度およびマルチチャネル画像を対象とした深層学習ベースの画像ノイズ除去研究の基盤を提供すること。

提案手法

• ノイズ除去自己符号化器（DAE）は、訓練中に入力画像にランダムなガウスノイズを注入し、元の綺麗な画像を再構築のターゲットとして用いる。
• 完全結合自己符号化器（FAE）は、784次元のフラットな入力を2つの全結合層（64および784ニューロン）を経由して処理し、ReLU活性化関数とバイナリクロスエントロピー損失を用いる。
• 畳み込み自己符号化器（CAE）は、2つの2次元畳み込みブロック（32フィルタ、3×3カーネル、ReLU）を用い、マックスプーリング（2×2、ストライド1）により入力を7×7×32の潜在空間にエンコードする。
• CAEは、2つの転置畳み込み層（ストライド2×2、32フィルタ、ReLU）を用いて潜在表現をデコードし、最終的に2次元畳み込み層を介して元の画像サイズに再構築する。
• 両モデルは、MNISTデータセットにガウスノイズを追加した上で、Adamオプティマイザとバイナリクロスエントロピー損失を用いて20エポック分訓練する。
• モデルの性能は、検証損失とノイズのある入力からの再構築画像の視覚的点検によって評価される。

実験結果

リサーチクエスチョン

• RQ1 畳み込み自己符号化器は、28×28グレースケール画像のノイズ除去において、完全結合自己符号化器を上回る性能を示すか？
• RQ2 畳み込み層の使用は、自己符号化器における空間的特徴の学習とノイズ抑制にどのように影響するか？
• RQ3 アーキテクチャ設計（全結合対畳み込み）が、画像ノイズ除去における再構築品質と損失に与える影響は何か？
• RQ4 ノイズ除去自己符号化器は、画像構造を保持しつつガウスノイズを効果的に除去する能力を学習できるか？
• RQ5 MNISTで訓練された自己符号化器は、類似した特徴を示す画像ノイズ除去タスクにどの程度一般化できるか？

主な発見

• 畳み込み自己符号化器は検証損失0.0871を達成し、完全結合自己符号化器の0.2305よりも顕著に低い。これは、最適化と再構築忠実度の向上を示している。
• 視覚的点検の結果、畳み込み自己符号化器はガウスノイズを効果的に除去し、明瞭で識別可能な数字を再構築しているのに対し、完全結合自己符号化器は画像品質を悪化させ、入力をよりノイズが多くなっている。
• 完全結合自己符号化器は、空間階層を捉えることができないため、意味のある画像表現を学習できず、結果として劣ったノイズ除去性能を示した。
• 畳み込み自己符号化器は畳み込み層と転置畳み込み層を用いることで、効果的な特徴学習と空間的再構築を可能にし、画像ノイズ除去において不可欠な役割を果たした。
• CAEは28,353の学習可能なパラメータを有し、FAEの101,200パラメータよりもパラメータ効率が高く、優れた結果を達成した。
• 結果から、畳み込み層はノイズと構造的コンテンツを区別するための階層的画像表現を学習する上で不可欠であることが示された。