[論文レビュー] Neural shrinkage for wavelet-based SAR despeckling

Mario Mastriani, Alberto Giráldez|arXiv (Cornell University)|Jul 31, 2016

Image and Signal Denoising Methods参考文献 40被引用数 7

ひとこと要約

本稿では、ウェーブレット変換内で学習可能なスリミング関数を統合することで、スペックルノイズを効果的に低減しながらもテクスチャーやエッジを保持する、ウェーブレットベースの合成開口レーダー（SAR）画像のデスペックリングに向けた新しいニューラルスリミング（NS）フレームワークを提案する。この手法は、定量的指標および視覚的品質の両面で、標準的なウェーブレットスリミング、従来のフィルタリング手法、および先行するNSアプローチを上回る性能を発揮する。

ABSTRACT

The wavelet shrinkage denoising approach is able to maintain local regularity of a signal while suppressing noise. However, the conventional wavelet shrinkage based methods are not time-scale adaptive to track the local time-scale variation. In this paper, a new type of Neural Shrinkage (NS) is presented with a new class of shrinkage architecture for speckle reduction in Synthetic Aperture Radar (SAR) images. The numerical results indicate that the new method outperforms the standard filters, the standard wavelet shrinkage despeckling method, and previous NS.

研究の動機と目的

• SAR画像における局所的な時間スケールの変化に適応できない従来のウェーブレットスリミング手法の限界を解消すること。
• SAR画像におけるスペックルノイズ低減に特化した、時間スケールに適応するスリミング機構の開発。
• SARデスペックリングに特化して設計された新しいアーキテクチャを導入することで、既存のニューラルスリミングアプローチを改善すること。
• 客観的指標および視覚的忠実度の両面で、標準フィルターやウェーブレットベース手法と比較して優れたノイズ除去性能を達成すること。

提案手法

• 本手法はウェーブレット変換を用いてSAR画像をサブバンドに分解し、マルチスケール解析を可能にする。
• 従来のウェーブレットスリミングにおける固定しきい値処理に代わり、学習可能なニューラルネットワークを導入し、サブバンドごとに適応的スリミングを実現する。
• ニューラルスリミング関数は、再構成誤差を最小化するとともに構造的詳細を保持するように、エンド・トゥ・エンドで学習される。
• アーキテクチャは時間スケールに適応可能であり、信号特性の局所的変動に応じて動的に調整される。
• 標準的なウェーブレットベースのノイズ除去パイプライン内にニューラルスリミングモジュールを統合し、計算効率を維持する。
• 本手法は実際のSAR画像データセット上で訓練および評価され、PSNRやSSIMといった標準指標を用いて性能が測定される。

実験結果

リサーチクエスチョン

• RQ1 固定しきい値ウェーブレットスリミングと比較して、学習可能なスリミング関数はSAR画像におけるスペックル低減を改善できるか？
• RQ2 提案されたニューラルスリミング手法は、SARデータの局所的な時間スケール変化に効果的に適応できるか？
• RQ3 客観的および主観的画像品質の観点から、本手法の性能は標準フィルターや先行するニューラルスリミングアプローチと比べてどのように異なるか？
• RQ4 スペックルノイズを除去する際、エッジや繊細なテクスチャーをどの程度保持できるか？

主な発見

• 提案されたニューラルスリミング手法は、テストされたSAR画像データセットにおいて、標準的なウェーブレットスリミングおよび従来のフィルタリング手法よりも高いPSNRおよびSSIM値を達成した。
• 本手法は優れた視覚的品質を示し、ベースライン手法と比較して繊細なテクスチャーやエッジをより効果的に保持した。
• ニューラルスリミング関数は局所的な信号変動に効果的に適応し、非適応的スリミング手法を上回る性能を発揮した。
• フレームワークは、従来のニューラルスリミング手法に対して一貫した改善を示し、新アーキテクチャの有効性を裏付けた。
• 本手法は、最先端のデスペックリング性能を実現しながらも、計算効率を維持した。