[論文レビュー] Image denoising via group sparsity residual constraint

Zhiyuan Zha, Xin Liu+8 more|arXiv (Cornell University)|Sep 12, 2016

Image and Signal Denoising Methods参考文献 25被引用数 3

ひとこと要約

本稿では、最初のステップで綺麗な画像の推定値を用いてノイズのある画像のグループスパース係数を精緻化することで、グループスパース残差を低減する新規な画像ノイズ除去手法、Group Sparsity Residual Constraint (GSRC) を提案する。この手法は、PSNR において BM3D や WNNM などの最先端技術を上回りながら、競争力ある計算速度を維持する。

ABSTRACT

Group sparsity has shown great potential in various low-level vision tasks (e.g, image denoising, deblurring and inpainting). In this paper, we propose a new prior model for image denoising via group sparsity residual constraint (GSRC). To enhance the performance of group sparse-based image denoising, the concept of group sparsity residual is proposed, and thus, the problem of image denoising is translated into one that reduces the group sparsity residual. To reduce the residual, we first obtain some good estimation of the group sparse coefficients of the original image by the first-pass estimation of noisy image, and then centralize the group sparse coefficients of noisy image to the estimation. Experimental results have demonstrated that the proposed method not only outperforms many state-of-the-art denoising methods such as BM3D and WNNM, but results in a faster speed.

研究の動機と目的

• ノイズのある画像の非局所的自己類似性にのみ依存する従来のグループスパースに基づくノイズ除去手法の限界を解消する。これは、最適でない再構成を引き起こす可能性がある。
• ノイズのある画像の構造と推定された綺麗な画像のグループスパース係数を組み合わせることで、新たな事前モデルを導入し、ノイズ除去性能を向上させる。
• ノイズのある画像と綺麗な画像の間のグループスパース残差を低減することで、再構成の正確性とディテールの保持を向上させる。
• 高いノイズ除去品質と計算効率のバランスを図り、WNNM や AST-NLS よりも高速でありながら、それらと同等または上回る PSNR 性能を維持する。

提案手法

• ノイズのある画像のグループスパース表現と真の綺麗な画像との間のずれを測る指標として、グループスパース残差の概念を導入する。
• 標準的なノイズ除去手法を用いて最初のステップで綺麗な画像を推定し、元の画像のグループスパース係数の初期推定値を取得する。
• ノイズのある画像のグループスパース係数を、綺麗な画像の推定係数に向けて中心化することで、グループスパース残差を最小化する。
• ノイズのある画像からの非局所的類似パッチを用いて3次元のグループ化を形成し、変換領域での共同フィルタリングを適用してスパarsity を高め、ノイズを低減する。
• 類似する画像パッチから導出された係数行列にグループスパースを強制する正則化枠組みを適用し、ノイズレベルに応じてパラメータを調整する。
• ノイズ分散に応じてパッチサイズを適応的に変更する MATLAB 実装を実施し、異なるノイズレベルに対して固定されたパラメータ（c, γ, δ）を用いる。

実験結果

リサーチクエスチョン

• RQ1 ノイズのある画像と綺麗な画像の表現間のグループスパース残差を低減させることで、従来の手法と比較してノイズ除去性能が向上するか？
• RQ2 グループスパース係数の精緻化プロセスに最初の綺麗な画像の推定値を組み込むことで、再構成の正確性とディテールの保持が向上するか？
• RQ3 提案手法は、BM3D や WNNM などの最先端手法を上回る PSNR を達成できるか？ また、競争力ある実行時間も維持できるか？
• RQ4 従来の手法が細かいテクスチャーやエッジを保持できなくなる高ノイズレベル（σ > 50）において、提案手法の GSRC はどのように性能を発揮するか？

主な発見

• GSRC は、全テストノイズレベルで BM3D より 0.39–0.56 dB、NCSR より 0.46–0.76 dB、MSEPLL より 0.61–0.66 dB の平均 PSNR の向上を達成した。
• σ = 100 の場合、GSRC は Foreman 画像で最大 1.24 dB、House 画像で最大 1.37 dB の PSNR の向上を BM3D に対して示し、高ノイズ下でも優れた性能を発揮した。
• 視覚的結果では、特にテクスチャが豊富でエッジが密集した領域において、GSRC は BM3D や WNNM、AST-NLS よりも鋭いエッジをよりよく保持し、アーチファクトを効果的に抑制している。
• GSRC は WNNM や NCSR、AST-NLS よりも顕著に高速であり、テスト画像の中央値実行時間は 55–115 秒であった。一方、WNNM や NCSR は 200 秒以上を要した。
• MATLAB で実装されているにもかかわらず、競争力ある速度を維持しており、BM3D に次いで唯一、最速の手法である。
• 提案手法は、全ノイズレベルで 12 種類の標準テスト画像において最先端の PSNR 結果を達成し、低ノイズおよび高ノイズの両領域で一貫した向上を示した。