[論文レビュー] Poisson noise reduction with non-local PCA

Joseph Salmon, Zachary T. Harmany+2 more|arXiv (Cornell University)|Jun 2, 2012

Image and Signal Denoising Methods参考文献 34被引用数 12

ひとこと要約

本稿では、非局所的ピクセル群に基づく処理とポアソン-PCAを組み合わせることで、異分散性を持つノイズに対処する、光子制限画像のための新しいノイズ除去手法であるポアソン非局所主成分分析（Poisson NLPCA）を提案する。ガウス分布に近似する変換を経由せずに、直接ポアソン統計をモデル化することで、極めて暗い環境下でも最先端の性能を達成し、従来手法に比べて精度とアーチファクト低減の両面で優れる。

ABSTRACT

Photon-limited imaging arises when the number of photons collected by a sensor array is small relative to the number of detector elements. Photon limitations are an important concern for many applications such as spectral imaging, night vision, nuclear medicine, and astronomy. Typically a Poisson distribution is used to model these observations, and the inherent heteroscedasticity of the data combined with standard noise removal methods yields significant artifacts. This paper introduces a novel denoising algorithm for photon-limited images which combines elements of dictionary learning and sparse patch-based representations of images. The method employs both an adaptation of Principal Component Analysis (PCA) for Poisson noise and recently developed sparsity-regularized convex optimization algorithms for photon-limited images. A comprehensive empirical evaluation of the proposed method helps characterize the performance of this approach relative to other state-of-the-art denoising methods. The results reveal that, despite its conceptual simplicity, Poisson PCA-based denoising appears to be highly competitive in very low light regimes.

研究の動機と目的

• 夜間視認、核医学、スペクトル画像など、光子が制限された画像処理状況におけるポアソンノイズによる汚損画像のノイズ除去という課題に取り組む。
• 低光子数下で分散が変化する（異分散性）ため、ガウスノイズを仮定する従来のノイズ除去手法が機能しないため、その限界を克服する。
• データをガウス分布に近似する変換を経由せずに、ポアソン分布に従うデータを直接モデル化することで、統計的整合性を保持する手法を開発する。
• 非局所的ピクセル群表現とポアソン-PCAを統合し、低信号環境下でのノイズ除去性能を向上させる。
• 概念的に単純な非ガウス的で最適化に基づく手法が、極めて暗い環境下でも競争力のある結果を達成できることを示す。

提案手法

• 本手法は、指数分布族に適応したPCAの変種としてのポアソン主成分分析（Poisson-PCA）を用い、光子制限画像における元の強度をモデル化する。
• 画像全体にわたる類似したピクセル群をグループ化することで、表現力とノイズ除去性能を向上させる非局所フレームワークを採用する。
• 分散安定化変換（例：アンスコム変換）を必要としない、ポアソン尤度に基づくデータ適合項を用いて最適化問題を定式化する。
• 非凸最小化問題は、損失関数のヘッセ行列と勾配を用いて導出された閉形式更新式を用いた反復的ニュートン型手法により解く。
• UとVの因子行列のヘッセ行列は対角行列であるため、ニュートンステップの計算を、対角成分の逆行列計算に限定することで効率的に実行可能である。
• 類似したピクセル群をクラスタリングすることで、計算複雑度を低減するとともに、性能向上を図る。

実験結果

リサーチクエスチョン

• RQ1 非局所的ピクセル群ベースの手法とポアソン-PCAを組み合わせることで、光子制限下の極めて暗い環境下でも、従来のノイズ除去手法を上回る性能を発揮できるか？
• RQ2 低光子数下でのノイズ除去精度において、アンスコム変換などのガウス化手法と比較して、直接ポアソンノイズをモデル化する手法はどのように優位性を示すか？
• RQ3 スパarsityと非局所的類似性をポアソン分布に従う画像データの表現に組み込むことで、どのような影響が生じるか？
• RQ4 従来の手法が失敗するほどの極めて少ない光子数（ピクセルあたり）でも、提案手法Poisson NLPCAは高い性能を維持できるか？
• RQ5 ポアソン-PCAのためのニュートンベース最適化戦略は、大規模な画像ピクセル群に対しても、収束性と正確性を損なわず効率的にスケーリング可能か？

主な発見

• Poisson NLPCA は、光子が極めて少ない極めて暗い環境下でも、画像ノイズ除去において最先端の性能を達成する。
• ガウスノイズを仮定する従来のノイズ除去手法やデータ変換に依存する手法と比較して、著しくアーチファクトが低減される。
• 実験的評価により、特に信号対ノイズ比が低い状況下で、PSNRと視覚的品質の両面で他の最先端手法を上回ることが示された。
• 非局所的ピクセル群のグループ化により、低信号状態でも画像全体の冗長性を活用したノイズ除去性能が向上する。
• ガウス化を経由しないポアソン尤度の直接最適化により、データ変換を事前に施す手法よりも、より正確な強度推定が可能となる。
• 類似ピクセル群のクラスタリング処理により計算複雑度が低減され、精度を損なわず効率的な処理が可能となった。