[論文レビュー] Virtual SAR: A Synthetic Dataset for Deep Learning based Speckle Noise Reduction Algorithms

Shrey Dabhi, Kartavya Soni+3 more|arXiv (Cornell University)|Apr 23, 2020

Image and Signal Denoising Methods参考文献 23被引用数 7

ひとこと要約

本稿では、合成孔径レーダー（SAR）画像におけるスぺックルノイズ低減のためのディーブラーニングモデルを訓練するための合成データセットであるVirtual SARを紹介する。物理ベースのモデルを用いて制御可能なスぺックルノイズを有するリアルなSAR画像を生成することで、著者らは合成データセットがCNNベースのノイズ低減モデルに最先端の性能を実現させることを実証した。ベンチマーク画像においてPSNRが27.119、SSIMが0.661に達し、古典的手法のフィルターより顕著に優れており、1024×1024の画像に対して推論時間をわずか3.22秒にまで短縮した。

ABSTRACT

Synthetic Aperture Radar (SAR) images contain a huge amount of information, however, the number of practical use-cases is limited due to the presence of speckle noise in them. In recent years, deep learning based techniques have brought significant improvement in the domain of denoising and image restoration. However, further research has been hampered by the lack of availability of data suitable for training deep neural network based systems. With this paper, we propose a standard way of generating synthetic data for the training of speckle reduction algorithms and demonstrate a use-case to advance research in this domain.

研究の動機と目的

• ディープラーニングモデルのSAR画像スぺックルノイズ低減における訓練に向けた、公開可能で標準化されたデータセットの不足に対処すること。
• 訓練および評価のための、再現可能でスケーラブルな、リアルなスぺックルノイズを有する合成SAR画像の生成手法を開発すること。
• 実世界のベンチマーク画像上で、合成データセットを用いて訓練および評価したディープラーネルCNNベースのノイズ低減モデルの有効性を実証すること。
• 一貫性があり、アクセス可能で多様な訓練リソースを提供することで、SAR画像修復分野の研究を加速すること。
• 実SARデータや高価なシミュレーションツールへの依存を減らし、効率的で大規模なデータ生成を可能にすること。

提案手法

• 著者らは、スぺックルノイズが平均1、分散が1/L（Lはルック数）のガンマ分布に従う物理ベースのモデルを用いて合成SAR画像を生成した。
• MATLABのimnoise()関数を用いて、異なるL値を想定した乗法的スぺックルノイズを継続的かつ制御可能に、クリアなSAR画像に追加した。
• NASAおよびESAのミッション（Sentinel-1、ALOS PALSAR）から得た実SAR画像と、合成スぺックルノイズを組み合わせることで、多様な訓練サンプルを構築した。
• 対数変換を必要としない、生の強度ドメインに直接学習させるCNNアーキテクチャ（最先端のID-CNNを参考に）を採用し、ノイズあり画像からクリア画像へのマッピングを学習した。
• ADAM最適化アルゴリズムを用い、学習率0.001、平均二乗誤差損失関数で学習を実施し、全変動正則化項を含めなかった。
• 性能評価にはPSNR、SSIM、ENL指標を用い、推論時間はハイパフォーマンスワークステーションで計測した。

実験結果

リサーチクエスチョン

• RQ1 制御可能なスぺックルノイズを有する合成データセットは、SAR画像スぺックルノイズ低減のためのディープラーニングモデルの訓練に有効に利用できるか？
• RQ2 合成SARデータで訓練されたCNNの性能は、PSNR、SSIM、ENLの観点で、古典的手法のフィルターより優れているか？
• RQ3 従来のノイズ低減アルゴリズムと比較して、合成データで訓練したモデルは推論時間を短縮できるか？
• RQ4 実SARデータに依存せず、再現可能でスケーラブルな研究を促進できるか、合成データセットはSAR画像ノイズ低減分野において有効か？
• RQ5 SAR画像の対数変換を必要としない、強度ドメインへの直接学習は、対数変換を要する手法を上回る性能を示すか？

主な発見

• 提案された合成データセットにより、CNNベースのモデルは1024×1024のテスト画像でPSNR27.119を達成し、Lee（22.965）やKuan（22.989）といった古典的手法のフィルターより顕著に優れた性能を示した。
• SSIMが0.661に達し、次に優れた手法（SAR-BM3D：0.617）を上回り、構造的特徴の保持が優れていることが示された。
• ENLが31.362に達し、ノイズの均一性が向上し、SAR-BM3D（34.990）やPPB（30.351）を上回った。
• CNNモデルは1024×1024の画像に対して推論時間を3.22秒にまで短縮し、PPB（137.28秒）やSAR-BM3D（159.74秒）を著しく上回った。
• 損失関数に全変動正則化項を含めないままでも性能に悪影響がなく、データセット内のクリア画像自体が本質的に正則化の役割を果たしていた。
• 実際のSARデータに代わる、リアルなスぺックルノイズを有する合成データ生成は、SARノイズ低減分野におけるディープラーニングモデルの訓練にとって実用的で効果的な代替手段であると確認された。