[論文レビュー] Weighted Low-rank Tensor Recovery for Hyperspectral Image Restoration

Yi Chang, Luxin Yan+3 more|arXiv (Cornell University)|Sep 1, 2017

Image and Signal Denoising Methods参考文献 74被引用数 31

ひとこと要約

本稿では、3次元テンソルモデリングを活用して空間的・分光的・非局所的低ランク構造を統合的に活用する、ハイパースペクトル画像（HSI）修復のための統一的重み付き低ランクテンソル回復（WLRTR）フレームワークを提案する。重み付き特異値しきい値処理とロバストPCAを組み合わせることで、ゴーストエラーに対しても耐性を示し、ノイズ除去、ストライプ除去、ぼかし除去、スーパーレゾリューションの各タスクで最先端の性能を達成しており、わずか3–4イテレーションで収束する。

ABSTRACT

Hyperspectral imaging, providing abundant spatial and spectral information simultaneously, has attracted a lot of interest in recent years. Unfortunately, due to the hardware limitations, the hyperspectral image (HSI) is vulnerable to various degradations, such noises (random noise, HSI denoising), blurs (Gaussian and uniform blur, HSI deblurring), and down-sampled (both spectral and spatial downsample, HSI super-resolution). Previous HSI restoration methods are designed for one specific task only. Besides, most of them start from the 1-D vector or 2-D matrix models and cannot fully exploit the structurally spectral-spatial correlation in 3-D HSI. To overcome these limitations, in this work, we propose a unified low-rank tensor recovery model for comprehensive HSI restoration tasks, in which non-local similarity between spectral-spatial cubic and spectral correlation are simultaneously captured by 3-order tensors. Further, to improve the capability and flexibility, we formulate it as a weighted low-rank tensor recovery (WLRTR) model by treating the singular values differently, and study its analytical solution. We also consider the exclusive stripe noise in HSI as the gross error by extending WLRTR to robust principal component analysis (WLRTR-RPCA). Extensive experiments demonstrate the proposed WLRTR models consistently outperform state-of-the-arts in typical low level vision HSI tasks, including denoising, destriping, deblurring and super-resolution.

研究の動機と目的

• 既存のHSI修復手法がタスク特化的であり、3次元分光的空間相関を十分に活用できないという限界を是正すること。
• ノイズ除去、ぼかし除去、スーパーレゾリューション、ストライプ除去の複数のHSI修復タスクを、1つの低ランクテンソルフレームワークに統合すること。
• 重み付き特異値しきい値処理戦略を導入することで、低ランクテンソル回復の柔軟性と性能を向上させること。
• ストライプノイズをロバストPCA拡張（WLRTR-RPCA）を用いて、ゴーストエラー成分としてモデル化し、その構造的・方向的特性を捉えること。

提案手法

• 空間的スパarsity、非局所的立方体の再冗長性、分光的一致性を明示的にモデル化する重み付き低ランクテンソルモデル（WLRTR）を用いて、HSI修復を3次元テンソル回復問題として定式化する。
• 変数分割とADMMを用いて最適化を部分問題に分解し、閉形式解を有するため、計算を効率化する。
• 異なる特異値に異なる処理を施す重み付き特異値しきい値処理戦略を導入し、低ランク近似の精度を向上させる。
• ストライプノイズを扱うために、WLRTRをWLRTR-RPCAに拡張し、ロバスト主成分分析フレームワーク内でスパースなゴーストエラー成分としてモデル化する。
• HSIデータを3次元テンソル形式で表現することで、内在する3次元構造を保持し、空間的・分光的・非局所的相関を統合的に活用可能にする。
• 空間的劣化（Tsa）および分光的劣化（Tse）の両方のデータ適合項を組み込み、スーパーレゾリューションタスクではマルチスペクトルガイダンスを統合する。

実験結果

リサーチクエスチョン

• RQ1 3次元構造的相関を活用することで、統一的低ランクテンソルモデルは複数のHSI修復タスクを同時に効果的に処理できるか？
• RQ2 重み付き特異値しきい値処理は、HSI修復における標準的核ノルム最小化と比較して、低ランクテンソル回復をどのように改善するか？
• RQ3 提案されたWLRTRモデルは、ハイパースペクトルキューブの非局所的空間的分光的再冗長性および分光的一致性をどの程度正確に捉えることができるか？
• RQ4 WLRTR-RPCA拡張は、ストライプノイズを効果的にモデル化・低減させつつ、微細な画像ディテールを保持できるか？
• RQ5 提案されたフレームワークは、多様なHSI劣化タイプにわたって高速収束と高品質な結果を達成できるか？

主な発見

• WLRTRモデルは、ノイズ除去、ストライプ除去、ぼかし除去、スーパーレゾリューションの全テストタスクにおいて、最先端の手法を常に上回る性能を示した。
• アルゴリズムは急速に収束し、わずか3–4イテレーションで安定したPSNR値に達し、関数的エネルギーは単調にゼロに減少した。
• スーパーレゾリューションにおいて、AVIRISデータセットで34.21 dBのPSNRを達成し、次善の手法を1 dB以上上回った。
• ストライプ除去において、WLRTR-RPCAバージョンは最高のPSNRおよびSSIM値を記録し、ストライプアーティファクトを最小限の残存ノイズで効果的に除去した。
• 高いノイズレベルや複雑な劣化パターンに対しても、強力な性能を維持し、ロバスト性と一般化能力を示した。
• 実験的分析により、100–200の非局所的類似キューブを用いることで最適な性能が得られ、230バンドを超えると類似性が低下するため性能が劣化することが確認された。