[논문 리뷰] Directional Total Generalized Variation Regularization

Rasmus Dalgas Kongskov, Yiqiu Dong외 1명|arXiv (Cornell University)|2017. 01. 10.

Sparse and Compressive Sensing Techniques참고 문헌 6인용 수 6

한 줄 요약

이 논문은 방향성 사전 지식을 고차수 미분에 통합하는 새로운 정규화 방법인 방향성 총 일반화 변형(DTGV)을 제안한다. 방향성 총 일반화 변형을 최소제곱 데이터 적합성 항과 조합함으로써, 등방성 정규화 기법인 TV와 TGV에 비해 방향성 무늬에서 뛰어난 에지 유지 및 노이즈 제거 성능을 달성한 L²-DTGV 모델을 제시한다. 이는 해의 존재성과 유일성에 대한 이론적 보장과 함께, 노이즈 제거 및 흐림 제거 작업을 포함한 수치 실험을 통해 검증되었다.

ABSTRACT

In inverse problems, prior information and a priori-based regularization techniques play important roles. In this paper, we focus on image restoration problems, especially on restoring images whose texture mainly follow one direction. In order to incorporate the directional information, we propose a new directional total generalized variation (DTGV) functional, which is based on total generalized variation (TGV) by Bredies extit{et al}. [SIAM J. Imaging Sci., 3 (2010)]. After studying the mathematical properties of DTGV, we utilize it as regularizer and propose the L$^2$-DTGV variational model for solving image restoration problems. Due to the requirement of the directional information in DTGV, we give a direction estimation algorithm, and then apply a primal-dual algorithm to solve the minimization problem. Experimental results show the effectiveness of the proposed method for restoring the directional images. In comparison with isotropic regularizers like total variation and TGV, the improvement of texture preservation and noise removal is significant.

연구 동기 및 목표

• 섬유 강화 재료 및 지구물리 탐사 영상에서 방향성 무늬를 유지하는 데에 등방성 정규화 기법(TV 및 TGV)의 한계를 해결한다.
• 연속적 공식화를 통해 방향성 정규화를 고차수 미분으로 확장함으로써 총변화(TV)에서 발생하는 계단화 현상을 극복한다.
• 연속적 환경에서 방향성 총 일반화 변형(DTGV)의 수학적으로 엄밀한 프레임워크를 개발하여 이론적 엄밀성을 확보한다.
• L²-DTGV 변분 모델을 효율적으로 해결하기 위한 원시-이중 알고리즘을 제안하여 실용적 구현을 가능하게 한다.
• DTGV에 입력을 제공하기 위해 방향 추정 알고리즘을 설계하여 실제 방향성 이미지 복원에의 적용 가능성을 확보한다.

제안 방법

• 방향성 미분을 사용하여 두 가지 등가 공식화를 통해 방향성 총변화(DTV)를 정의함으로써, 비등방성 구조를 정규화에 통합한다.
• 방향성 정보를 일阶 및 이阶 미분에 통합함으로써 DTV를 고차수로 일반화한 방향성 총 일반화 변형(DTGV)을 도입한다.
• L²-DTGV 변분 모델을 구성: 최소제곱 데이터 적합성 항과 DTGV 정규화 항의 합을 최소화하며, 균형 매개변수 λ를 포함한다.
• 적절한 함수해석학적 조건 하에서 L²-DTGV 모델의 최소화자 존재성과 유일성을 증명한다.
• DTGV 함수의 구조를 활용하여 효율적 계산이 가능한 원시-이중 알고리즘을 구현하여 최적화 문제를 해결한다.
• 국소 구조 텐서 분석 기반의 방향 추정 알고리즘을 통합하여 정규화 이전에 주요 텍스처 방향을 결정한다.

실험 결과

연구 질문

• RQ1 일阶 총 일반화 변형(TGV)을 초월하여, 방향성 정보를 고차수 미분에 효과적으로 통합할 수 있는가?
• RQ2 제안된 DTGV 정규화는 등방성 TGV 및 TV에 비해 방향성 텍스처 유지 및 계단화 현상 감소에 얼마나 효과적인가?
• RQ3 DTGV 함수의 이론적 성질, 예를 들어 변분 모델에서 최소화자의 존재성과 유일성은 어떠한가?
• RQ4 방향성 정보가 일阶 도함수에만 적용될 경우, DTGV는 이방성 TGV(ITGV)에 비해 성능이 어떻게 다른가?
• RQ5 방향성 사전 지식이 위반될 경우 발생할 수 있는 잡음은 무엇이며, 실무에서 이를 어떻게 완화할 수 있는가?

주요 결과

• L²-DTGV 모델은 등방성 정규화 기법인 TV 및 TGV에 비해 훨씬 뛰어난 텍스처 유지 및 노이즈 제거 성능을 보이며, 흐림 제거 실험에서 최소 2.5 dB의 PSNR 향상을 달성한다.
• DTGV는 일阶 도함수와는 달리 이阶 방향성 도함수를 통합함으로써 기울기 영역에서 계단화 현상을 효과적으로 억제한다.
• 제안된 방향 추정 알고리즘은 주요 텍스처 방향을 신뢰성 있게 식별하여 실제 이미지에서 DTGV의 효과적 적용을 가능하게 한다.
• 이미지 구조가 가정된 주요 방향에서 벗어날 경우, 특히 주요 방향에 수직인 영역의 경계 근처에서 DTGV 결과에 잡음이 발생할 수 있다.
• 방향성 정보가 일阶 및 이阶 도함수에 모두 적용될 경우, DTGV는 이방성 TGV(ITGV)를 능가하는 성능을 보이며, 고차수 방향성 정규화의 우수성을 입증한다.
• 이론적 분석을 통해 L²-DTGV 변분 모델의 최소화자 존재성과 유일성이 확인되어 해의 안정성을 보장한다.