[論文レビュー] Learning a Dilated Residual Network for SAR Image Despeckling

Qiang Zhang, Qiangqiang Yuan+3 more|arXiv (Cornell University)|Sep 9, 2017

Image and Signal Denoising Methods参考文献 43被引用数 11

ひとこと要約

本稿では、拡張畳み込み、スキップ接続、およびリーマン学習を活用することで、合成開口レーダー（SAR）画像のスぺックルノイズ低減のための非線形マッピングを学習する、拡張残差ネットワークを用いた深層学習フレームワークSAR-DRNを提案する。このモデルは、特に強いスぺックルノイズを低減しつつ画像の細部を保持する点で、最先端の手法を上回る優れた性能を達成する。

ABSTRACT

In this paper, to break the limit of the traditional linear models for synthetic aperture radar (SAR) image despeckling, we propose a novel deep learning approach by learning a non-linear end-to-end mapping between the noisy and clean SAR images with a dilated residual network (SAR-DRN). SAR-DRN is based on dilated convolutions, which can both enlarge the receptive field and maintain the filter size and layer depth with a lightweight structure. In addition, skip connections and residual learning strategy are added to the despeckling model to maintain the image details and reduce the vanishing gradient problem. Compared with the traditional despeckling methods, the proposed method shows superior performance over the state-of-the-art methods on both quantitative and visual assessments, especially for strong speckle noise.

研究の動機と目的

• 従来の線形モデルがSAR画像のスぺックルノイズ低減において抱える制限を克服すること。
• ノイズのあるSAR画像からクリーンなSAR画像への非線形マッピングを学習するエンドツーエンドの深層学習アプローチの開発。
• トレーニング中に勾配消失問題を軽減し、画像の細部を維持すること。
• 特に強いスぺックルノイズ条件下でも優れたスぺックルノイズ低減性能を達成すること。
• 拡張畳み込みを用いて、大きな受容 field を持つ軽量なネットワークアーキテクチャの設計。

提案手法

• 本手法は、フィルターサイズや深さを増さずに受容 field を拡大できる拡張畳み込みを用いた、拡張残差ネットワーク（SAR-DRN）を採用する。
• トレーニングの安定化と画像の微細な詳細の保持のため、スキップ接続を組み込む。
• 深層ネットワークの最適化を容易にし、勾配消失問題を軽減するためにリーマン学習を適用する。
• ノイズのあるSAR画像から対応するクリーンなバージョンへの直接的なマッピングを学習するために、エンドツーエンドでネットワークをトレーニングする。
• 拡張畳み込みにより、軽量な構造を維持しながらも大きな受容 field を実現する。
• 予測値と真値のクリーンな画像との差を最小化する損失関数を用いてモデルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、従来の線形手法を上回る非線形マッピングをSAR画像のスぺックルノイズ低減のために効果的に学習できるか？
• RQ2 拡張畳み込みは、ネットワークの深さやパラメータ効率を維持しつつ、大きな受容 field をどのように実現するか？
• RQ3 スキップ接続とリーマン学習は、画像の細部の保持およびトレーニングの安定性をどの程度向上させるか？
• RQ4 本手法は、最先端のスぺックルノイズ低減技術と比較して、強いスぺックルノイズ条件下でどの程度の性能を示すか？
• RQ5 モデルの複雑さを増さずに、優れた定量的および視覚的結果を達成できるか？

主な発見

• 提案されたSAR-DRN手法は、定量的および視覚的評価の両面で、従来の手法および最先端のスぺックルノイズ低減手法を上回る優れた性能を達成する。
• モデルは、微細な画像構造やテクスチャを保持しつつ、特に強いスぺックルノイズの低減において顕著な有効性を示す。
• 拡張畳み込みの使用により、軽量なアーキテクチャで大きな受容 field を実現でき、効率性と性能が向上する。
• スキップ接続とリーマン学習は、勾配消失問題を顕著に軽減し、深層ネットワークにおける特徴学習を強化する。
• ベンチマークデータセット上で、ピーク信号対ノイズ比（PSNR）および構造的類似度指数（SSIM）が向上し、高品質なスぺックルノイズ低減結果を達成する。
• 視覚的評価により、SAR-DRNは特に高ノイズ領域において、競合手法と比較してエッジやテクスチャをよりよく保持していることが確認される。