[論文レビュー] TFPnP: Tuning-free Plug-and-Play Proximal Algorithm with Applications to Inverse Imaging Problems

Kaixuan Wei, Angelica I. Avilés-Rivero+4 more|arXiv (Cornell University)|Nov 18, 2020

Sparse and Compressive Sensing Techniques参考文献 207被引用数 4

ひとこと要約

本稿では、逆画像復元問題におけるノイズ除去強度、停止時刻、その他のパラメータを自動的に最適化する、チューニング不要のプラグアンドプレイ近似アルゴリズムであるTFPnPを提案する。この手法は、反復ノイズの正規化（ガウス化）を学習することで、線形および非線形の画像復元タスク（例：圧縮センシングMRI、スパarsely viewed CT）において、手動で設定したパrameterやオラクルベースの設定を上回る最先端の性能を達成する。

ABSTRACT

Plug-and-Play (PnP) is a non-convex optimization framework that combines proximal algorithms, for example, the alternating direction method of multipliers (ADMM), with advanced denoising priors. Over the past few years, great empirical success has been obtained by PnP algorithms, especially for the ones that integrate deep learning-based denoisers. However, a key challenge of PnP approaches is the need for manual parameter tweaking as it is essential to obtain high-quality results across the high discrepancy in imaging conditions and varying scene content. In this work, we present a class of tuning-free PnP proximal algorithms that can determine parameters such as denoising strength, termination time, and other optimization-specific parameters automatically. A core part of our approach is a policy network for automated parameter search which can be effectively learned via a mixture of model-free and model-based deep reinforcement learning strategies. We demonstrate, through rigorous numerical and visual experiments, that the learned policy can customize parameters to different settings, and is often more efficient and effective than existing handcrafted criteria. Moreover, we discuss several practical considerations of PnP denoisers, which together with our learned policy yield state-of-the-art results. This advanced performance is prevalent on both linear and nonlinear exemplar inverse imaging problems, and in particular shows promising results on compressed sensing MRI, sparse-view CT, single-photon imaging, and phase retrieval.

研究の動機と目的

• プラグアンドプレイ（PnP）近似アルゴリズムにおける手動パラメータチューニングという重要な課題に対処すること。
• ノイズ除去強度、停止時刻、最適化固有のパラメータを自動で決定するチューニング不要なフレームワークの開発。
• 多様な画像条件やシーンコンテンツにおいて、PnP手法のロバスト性と効率性の向上。
• PnPアルゴリズムにおける反復ノイズの統計的性質の解明と、それらを性能向上に活用すること。
• 手動で設定したパラメータやオラクルチューニングに依存せずに、最先端の再構成品質を達成すること。

提案手法

• モデルフリーとモデルベースの深層強化学習戦略を組み合わせた混合強化学習ポリシー網を用いて訓練されたポリシー網。
• ポリシー網は、画像およびノイズの特性に基づき、ノイズ除去強度や停止時刻などの最適パラメータを選択する学習を実施。
• 反復ノイズが反復を経るうちに正規化（ガウス化）される性質を活用し、ノイズ除去効果を向上。
• PSNRを最大化し、残差誤差を最小化する報酬関数を用い、PnPアルゴリズムの収束挙動からのフィードバックによりポリシーを訓練。
• ADMM や PGM といった標準的な近似アルゴリズムと統合可能であり、任意のノイズ除去器と組み合わせてプラグアンドプレイ利用が可能。
• 実験的分析では、ガウス確率プロットとR²を用いて反復ノイズの正規性を評価し、再構成品質と相関関係があることを確認。

実験結果

リサーチクエスチョン

• RQ1 学習されたポリシーは、手動チューニングなしにPnP近似アルゴリズムにおける最適なノイズ除去強度と停止時刻を自動で決定できるか？
• RQ2 PnP反復の過程で反復ノイズの正規性はどのように変化するか？ また、その正規性は再構成品質の向上に活用可能か？
• RQ3 強化学習ベースのポリシーは、多様な逆画像復元シナリオにおいて、手動設定やオラクルチューニングのパラメータ設定を上回れるか？
• RQ4 反復ノイズのガウス化は、さまざまな画像モodalitiesにおいてPnP手法の性能をどの程度向上させるか？
• RQ5 提案されたポリシー網は、線形および非線形の逆画像復元問題に広く一般化可能でスケーラブルか？

主な発見

• 学習されたポリシーはPnP-ADMMでPSNR 26.41を達成し、一部の設定ではオラクルポリシーを上回り、手動設定の基準と同等またはそれを上回る性能を示した。
• PnP-ADMMは反復ノイズの正規性において最大の向上を示し、R²が0.972に達し、優れた再構成品質と相関関係を示した。
• 特に圧縮センシングMRI や単一光子イメージングといった困難なタスクにおいて、固定値設定やオラクル設定と比較して、PSNRと反復ノイズの正規性が顕著に向上した。
• ポリシー網は多様な画像条件やシーンコンテンツに効果的に一般化され、手動パラメータチューニングの必要性を低減した。
• ガウス確率プロットのR²（ノイズ正規性の測定値）とPSNRの間に強い正の相関が観察され、反復ノイズのガウス化が重要であることを裏付けた。
• スパースビューCT や位相再構成といった代表的な逆画像復元問題において、最小限のユーザー介入で最先端の結果を達成した。