[논문 리뷰] A note on patch-based low-rank minimization for fast image denoising

Haijuan Hu, Jacques Froment외 1명|arXiv (Cornell University)|2015. 06. 28.

Image and Signal Denoising Methods참고 문헌 15인용 수 3

한 줄 요약

이 논문은 이미지의 유사한 패치들을 유사도 행렬로 그룹화하고, PCA 또는 SVD를 통한 하드 스레시홀딩을 적용하여 단일 패assing으로 노이즈를 제거하는 빠른 패치 기반 저질서 최소화(PLR) 방법을 제안한다. 이 방법은 K-SVD, BM3D, WNNM와 같은 반복적 방법보다 훨씬 빠르면서도, 특히 무늬를 잘 보존하는 데서 최신 기술 수준의 노이즈 제거 성능을 달성한다.

ABSTRACT

Patch-based low-rank minimization for image processing attracts much attention in recent years. The minimization of the matrix rank coupled with the Frobenius norm data fidelity can be solved by the hard thresholding filter with principle component analysis (PCA) or singular value decomposition (SVD). Based on this idea, we propose a patch-based low-rank minimization method for image denoising. The main denoising process is stated in three equivalent way: PCA, SVD and low-rank minimization. Compared to recent patch-based sparse representation methods, experiments demonstrate that the proposed method is rather rapid, and it is effective for a variety of natural grayscale images and color images, especially for texture parts in images. Further improvements of this method are also given. In addition, due to the simplicity of this method, we could provide an explanation of the choice of the threshold parameter, estimation of PSNR values, and give other insights into this method.

연구 동기 및 목표

• 반복 최적화를 피하는 계산 효율성이 뛰어난 이미지 노이즈 제거 방법을 개발하기 위해.
• 자연 이미지의 비국소적 자기유사성 특성을 활용하기 위해 유사한 패치들을 유사도 행렬로 그룹화하기 위해.
• 기존의 희박 표현 및 저질서 방법과 비교해 무늬가 풍부한 영역에서의 노이즈 제거 성능을 향상시키기 위해.
• 단일 패assing 처리 파이프라인을 통해 고성능 노이즈 제거를 달성하고 반복적 방법보다 런타임을 줄이기 위해.

제안 방법

• 노이즈가 있는 이미지를 겹치는 d×d 패치로 나누고, 각 기준 패치 주변의 n×n 이웃 영역 내에서 유사한 패치를 식별한다.
• 기준 패치를 포함한 m개의 유사한 패치를 열 벡터로 스택하여 크기가 d²×m인 유사도 행렬을 구성한다.
• 유사도 행렬에 대해 프incipal component basis(PCA를 통해) 또는 왼쪽 특이 벡터(SVD를 통해)를 사용해 하드 스레시홀딩 필터를 적용하여 프로베니우스 노름 충실도 하에 질서를 최소화한다.
• 저질서 근사 과정을 단순화하기 위해 유사도 행렬 패치의 평균을 0으로 가정한다.
• 대칭 경계 처리를 사용하여 노이즈 제거된 패치들을 원래 위치에 평균하여 복원된 이미지를 회수한다.
• 유사도 행렬당 단일 패assing을 사용하여 반복 보정을 피하고 고계산 효율성을 달성한다.

실험 결과

연구 질문

• RQ1 반복적이지 않은 패치 기반 저질서 최소화 방법이 상당히 낮은 계산 비용으로 경쟁 가능한 노이즈 제거 성능을 달성할 수 있는가?
• RQ2 K-SVD, BM3D, WNNM와 같은 최신 기술 수준의 방법과 비교해 PLR 방법의 PSNR 및 시각적 품질은 어떠한가?
• RQ3 희박 표현 기반 접근법과 비교해 이 방법이 자연 이미지의 미세 무늬와 구조적 세부 정보를 얼마나 잘 보존하는가?
• RQ4 PCA/SVD를 통한 하드 스레시홀딩이 저질서 행렬 근사 문제에 대해 효과적이고 효율적인 해결책을 제공할 수 있는가?

주요 결과

• 제안된 PLR 방법은 σ=10일 때 Lena에서 35.90 dB, Barbara에서 35.50 dB의 PSNR를 기록하여 K-SVD, LPG-PCA, PLOW를 능가하고, 여러 경우에서 BM3D 및 WNNM와 동일하거나 초월한다.
• σ=20일 때는 Lena에서 33.03 dB, Barbara에서 32.12 dB의 PSNR를 기록하여 K-SVD, LPG-PCA, PLOW를 능가하고, 핵심 지표에서 BM3D 및 WNNM를 따라하거나 능가한다.
• 이 방법은 매우 빠르며, 256×256 이미지에서 런타임이 단 2초에 불과하여 K-SVD(210 s), LPG-PCA(138 s), WNNM(134 s)보다 뚜렷이 빠르다.
• 그림 1의 시각적 결과는 PLR가 BM3D, WNNM 및 기타 방법들과 비교해 Lena와 Barbara의 무늬를 더 잘 보존함을 보여주며, 특히 복잡한 영역에서 뚜렷한 우수성을 보인다.
• Peppers, House, Cameraman, Boats, Bridge, Lena 등 다양한 이미지에 대해 이 방법은 일관된 PSNR 향상과 시각적 정확도를 보이며 성능이 안정적이다.
• PCA/SVD를 통한 압축된 사전 및 단일 패assing 하드 스레시홀딩을 활용함으로써 높은 효율성을 달성하면서도 노이즈 제거 품질을 손상시키지 않아 실시간 응용에 적합하다.