[論文レビュー] Non-local Meets Global: An Integrated Paradigm for Hyperspectral Denoising

Wei He, Quanming Yao+3 more|arXiv (Cornell University)|Dec 11, 2018

Image and Signal Denoising Methods参考文献 53被引用数 4

ひとこと要約

本稿では、反復最適化を用いて、グローバルなスペクトル低ランク構造と非局所的空間類似性を統合的に活用する、新しい統一的空間スペクトルハイパースペクトルノイズ除去フレームワークNGmeetを提案する。共有スペクトル基底を学習し、交互最小化により低次元化された画像を精緻化することで、スペクトルバンドの増加に対してもほぼ一定の計算コストで最先端のノイズ除去性能を達成する。

ABSTRACT

Non-local low-rank tensor approximation has been developed as a state-of-the-art method for hyperspectral image (HSI) denoising. Unfortunately, with more spectral bands for HSI, while the running time of these methods significantly increases, their denoising performance benefits little. In this paper, we claim that the HSI underlines a global spectral low-rank subspace, and the spectral subspaces of each full band patch groups should underlie this global low-rank subspace. This motivates us to propose a unified spatial-spectral paradigm for HSI denoising. As the new model is hard to optimize, we further propose an efficient algorithm for optimization, which is motivated by alternating minimization. This is done by first learning a low-dimensional projection and the related reduced image from the noisy HSI. Then, the non-local low-rank denoising and iterative regularization are developed to refine the reduced image and projection, respectively. Finally, experiments on synthetic and both real datasets demonstrate the superiority against the other state-of-the-arts HSI denoising methods.

研究の動機と目的

• スペクトルバンドの増加に伴い非局所的低ランク手法の計算コストが上昇するハイパースペクトル画像（HSI）ノイズ除去における課題に対処すること。
• 空間的非局所類似性とグローバルなスペクトル低ランク構造を、1つの最適化フレームワークに統合すること。
• スペクトル基底とノイズ除去済み低次元画像を同時に学習する効率的な反復的アルゴリズムを開発すること。
• 合成および実世界のHSIデータセットにおいて、計算効率を維持したままノイズ除去性能を向上させること。

提案手法

• 全バンドのピクセル群（NLFBPGs）が共通の低次元スペクトル部分空間に位置することを強制する統一モデルを提案する。
• 直交スペクトル基底と低次元画像を交互に最適化するアルゴリズムを導入する。
• 第1段階では、切り捨て特異値分解（truncated SVD）を用いてノイズが乗ったHSIからグローバルなスペクトル低ランク基底を学習する。
• 第2段階では、グループ化されたピクセル群を用いて非局所的低ランク近似を適用し、射影された低次元画像をノイズ除去する。
• 第3段階では、更新された低次元画像を用いて反復的正則化によりスペクトル基底を精緻化する。
• ランク $ K $ とノイズ分散 $ ho $ のパラメータ更新戦略を採用し、ロバストネスと収束性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 空間的非局所類似性とグローバルなスペクトル低ランク構造を統合的に組み合わせる統一的パラダイムは、HSIノイズ除去において有効に機能するか？
• RQ2 グローバルなスペクトル低ランク制約を統合することで、スペクトルバンドの増加に対する感受性を低下させながらノイズ除去性能を向上させられるか？
• RQ3 スペクトル的および空間的制約を同時に含む複雑な共同最適化問題を、反復的交互最適化戦略が効率的に解けるか？
• RQ4 真値が入手できない実世界のHSIデータにおいて、提案手法はどのように性能を発揮するか？

主な発見

• ノイズ分散100のCAVEデータセットにおいて、NGmeetはKBRやLLRTといった最先端手法を上回るPSNR 43.09 dBを達成した。
• WDCデータセットでは、スペクトルバンド数の増加に対してもNGmeetの計算時間はほぼ一定（約204秒）を維持するが、KBRやLLRTは時間の増加が線形的である。
• 迅速な収束を示し、WDCデータセットでは全ノイズレベルで10～15イテレーション目で安定したPSNR値に到達した。
• 実際のIndian PinesおよびUrbanデータセットでは、NGmeetはLRTV、FastHyDe、LLRTを上回る視覚的品質を実現し、スペクトルディテールの保持とノイズ低減に優れた結果を示した。
• パラメータ $ ho $（ノイズ分散推定値）はロバストである：$ ho = 1 $ から $ 3 $ に増加するにつれてPSNRがわずかに向上し、$ ho = 2 $ のとき平均性能が最良となった。
• HySimeを用いた $ K $ の初期化は信頼性が高く、ノイズ分散10, 30, 50, 100に対しそれぞれ $ K = 7, 6, 6, 5 $ が適切であり、異なる初期化値に対しても性能が安定した。