[論文レビュー] Improved Total Variation based Image Compressive Sensing Recovery by Nonlocal Regularization

Jian Zhang, Shaohui Liu+3 more|arXiv (Cornell University)|Aug 18, 2012

Sparse and Compressive Sensing Techniques参考文献 7被引用数 6

ひとこと要約

本稿では、ステップ状アーチファクトを低減し、テクスチャ再構築を向上させるために、総変動（TV）最小化に非局所正則化を統合することで、画像の新しい圧縮センシング回復手法を提案する。自己類似性を非局所平均フィルタリングによって活用し、拡張ラグランジュ法を用いて組み合わせ最適化を解くことで、最先端のTVベースの手法よりも優れたPSNRおよび視覚的品質が達成される。

ABSTRACT

Recently, total variation (TV) based minimization algorithms have achieved great success in compressive sensing (CS) recovery for natural images due to its virtue of preserving edges. However, the use of TV is not able to recover the fine details and textures, and often suffers from undesirable staircase artifact. To reduce these effects, this letter presents an improved TV based image CS recovery algorithm by introducing a new nonlocal regularization constraint into CS optimization problem. The nonlocal regularization is built on the well known nonlocal means (NLM) filtering and takes advantage of self-similarity in images, which helps to suppress the staircase effect and restore the fine details. Furthermore, an efficient augmented Lagrangian based algorithm is developed to solve the above combined TV and nonlocal regularization constrained problem. Experimental results demonstrate that the proposed algorithm achieves significant performance improvements over the state-of-the-art TV based algorithm in both PSNR and visual perception.

研究の動機と目的

• 総変動（TV）が圧縮センシングにおいて抱える限界、特にステップ状アーチファクトと劣悪なテクスチャ再構築を解消すること。
• 自然画像に存在する自己類似構造を活用する非局所正則化を組み込むことで、画像再構築品質を向上させること。
• TVと非局所正則化の組み合わせ問題を効率的に解く最適化アルゴリズムを開発すること。
• 既存のTVベースのCS回復手法と比較して、より高いピークサイナリオノイズレシオ（PSNR）と視覚的忠実度を達成すること。

提案手法

• 画像のパッチにおける自己類似性を活用するため、非局所平均（NLM）フィルタに基づく非局所正則化項を導入する。
• 圧縮センシング回復の制約付き最適化フレームワークにおいて、非局所正則化と総変動（TV）を組み合わせる。
• TVと非局所項の両方を含む複合最適化問題を効率的に解くために、拡張ラグランジュ法を用いる。
• 非滑らかで非分離可能な組み合わせ目的関数を扱うために、交替方向乗数法（ADMM）の変種を採用する。
• 収束を保証するために、画像推定値、双対変数、補助変数の順で反復更新を行う。
• 共同正則化によってエッジを保持するとともに、ブロック状アーチファクトを低減し、細かいテクスチャを強化する。

実験結果

リサーチクエスチョン

• RQ1 非局所正則化は、TVベースの圧縮センシング回復において、ステップ状アーチファクトを効果的に低減できるか？
• RQ2 非局所平均を用いた自己類似性の組み込みは、圧縮センシングにおけるテクスチャおよび詳細再構築をどのように向上させるか？
• RQ3 TVと非局所正則化を組み合わせることで、画像回復におけるPSNRと視覚的品質にどのような影響を与えるか？
• RQ4 TVと非局所正則化の両方を扱う効率的な最適化アルゴリズムを設計できるか？
• RQ5 本手法は、最先端のTVベースCS回復技術と比較して、再構築精度と視覚的忠実度の面で優れているか？

主な発見

• 提案手法は、標準的なTVベースの圧縮センシングアルゴリズムに比べて顕著なPSNR向上を達成しており、実験結果で報告されている。
• 視覚的品質が顕著に向上し、ステップ状アーチファクトが低減され、細かいテクスチャやエッジの保持が改善されている。
• 非局所正則化の統合により、TVベースの再構築で一般的に見られるブロック状の外観が効果的に抑制されている。
• 拡張ラグランジュ法は安定的かつ効率的に収束し、画像回復タスクへの実用的応用を可能にしている。
• 定量的（PSNR）および定性的（視覚的認識）な両評価において、既存の最先端TVベースの手法を上回っている。