[논문 리뷰] Fast and Accurate Poisson Denoising with Optimized Nonlinear Diffusion

Wensen Feng, Yunjin Chen|arXiv (Cornell University)|2015. 10. 10.

Image and Signal Denoising Methods참고 문헌 19인용 수 3

한 줄 요약

이 논문은 풍선 소음 통계에 맞게 선형 필터와 비선형 영향 함수를 동시에 최적화하는 최적화된 학습 가능한 비선형 반응-확산(TRDPD) 모델을 사용하여 빠르고 정확한 포아송 노이즈 제거 방법을 제안한다. 이 방법은 효율적인 GPU 병렬 처리 추론을 통해 512×512 이미지에서 0.1초 이내로 최신 기준 성능을 달성하며, 높은 정확도와 뛰어난 계산 속도를 동시에 확보한다.

ABSTRACT

The degradation of the acquired signal by Poisson noise is a common problem for various imaging applications, such as medical imaging, night vision and microscopy. Up to now, many state-of-the-art Poisson denoising techniques mainly concentrate on achieving utmost performance, with little consideration for the computation efficiency. Therefore, in this study we aim to propose an efficient Poisson denoising model with both high computational efficiency and recovery quality. To this end, we exploit the newly-developed trainable nonlinear reaction diffusion model which has proven an extremely fast image restoration approach with performance surpassing recent state-of-the-arts. We retrain the model parameters, including the linear filters and influence functions by taking into account the Poisson noise statistics, and end up with an optimized nonlinear diffusion model specialized for Poisson denoising. The trained model provides strongly competitive results against state-of-the-art approaches, meanwhile bearing the properties of simple structure and high efficiency. Furthermore, our proposed model comes along with an additional advantage, that the diffusion process is well-suited for parallel computation on GPUs. For images of size $512 imes 512$, our GPU implementation takes less than 0.1 seconds to produce state-of-the-art Poisson denoising performance.

연구 동기 및 목표

• 최신 기준 포아송 노이즈 제거 방법들이 정확도를 우선시하면서도 계산 효율성이 떨어지는 문제를 해결하기 위해.
• 극도로 낮은 추론 시간을 확보하면서도 높은 이미지 복원 품질을 유지하는 노이즈 제거 모델을 개발하기 위해.
• 포아송 노이즈 통계를 기반으로 학습 가능한 비선형 반응-확산 프레임워크를 활용하여 필터와 영향 함수를 최적화하기 위해.
• 모델의 단순하고 컨볼루션 기반의 구조를 활용해 GPU에서의 효율적 병렬 계산을 가능하게 하기 위해.
• 의료 영상, 현미경 촬영, 야간 시야 등 속도와 정확도가 모두 중요한 실시간 응용 분야에 실용적인 솔루션을 제공하기 위해.

제안 방법

• 모델는 학습 가능한 활성화 함수를 갖는 순환 컨볼루션 신경망으로서의 학습 가능한 비선형 반응-확산 모델을 수식화하며, 기존의 고정된 활성화 함수를 대체한다.
• 포아송 노이즈 분포를 바탕으로 에너지 기능을 유도하고, 전체 모델 파라미터(필터 및 영향 함수)를 엔드 투 엔드 학습을 통해 최적화한다.
• 영향 함수는 국소적 이미지 기울기와 밝기 값을 기반으로 확산 강도를 제어하는 비선형적이고 적응적인 함수로 학습된다.
• 모델는 명시적인 확산 단계 수를 적게 유지하여 빠른 추론과 GPU 가속에 적합한 높은 병렬성을 확보한다.
• 신호에 따라 변하는 포아송 노이즈를 명시적으로 고려하여, 저강도 영역에서 성능이 떨어지는 분산 안정화 변환(VST)을 피한다.
• 최종 모델는 경량이며 미분 가능한 아키텍처로 구현되어, 공간적으로 적응적인 반복적 확산을 통해 노이즈 제거를 수행한다.

실험 결과

연구 질문

• RQ1 학습 가능한 비선형 확산 모델이 포아송 노이즈 제거에 효과적으로 최적화되어 고정밀도와 저비용 계산을 동시에 달성할 수 있는가?
• RQ2 포아송 특화 통계를 기반으로 학습된 확산 모델의 성능은 PSNR 및 SSIM 측면에서 최신 기준 방법과 비교해 어떻게 되는가?
• RQ3 모델의 단순한 구조와 컨볼루션 연산이 실시간 추론에 적합한 효율적인 GPU 병렬 처리를 얼마나 잘 지원하는가?
• RQ4 분산 안정화 변환(VST) 기반 방법과는 달리 VST를 생략함으로써 저신호 강도 영역에서 더 높은 성능을 달성할 수 있는가?
• RQ5 확산 프레임워크 내에서 필터와 영향 함수를 함께 최적화하는 방식이 고정된 활성화 함수를 갖는 표준 CNN보다 노이즈 제거 품질에서 뛰어나지 않는가?

주요 결과

• 피크 강도가 4인 512×512 이미지에 대해 GPU 최적화된 TRDPD 모델은 0.1초 이내로 추론을 완료하며, CPU 기반 경쟁자들보다 뚜렷한 성능 우위를 보였다.
• 표준 테스트 세트에서 7×7 필터를 사용한 TRDPD는 피크 강도 40인 Image 8에서 PSNR 29.06, SSIM 0.809를 기록하여 BM3D와 NLSPCA를 모두 앞섰다.
• 피크 강도 20인 Image 7에서는 PSNR 27.01, SSIM 0.856을 기록하여 두 방법과 비교해 모두 높은 성능을 보였다.
• 모든 테스트 이미지와 노이즈 수준에서 TRDPD는 BM3D와 NLSPCA보다 일관되게 뛰어난 성능을 보였으며, 특히 VST 기반 방법이 실패하는 저피크 영역에서 두드러진 우수성을 보였다.
• TRDPD 모델은 다양한 이미지 유형과 노이즈 수준에 걸쳐 강력한 일반화 능력을 보이며, 이미지 별 특화 캘리브레이션 없이도 높은 정확도를 유지했다.
• 모델의 단순하고 컨볼루션 기반의 구조는 효율적인 GPU 병렬 처리를 가능하게 하여, 의료 및 과학 영상 분야의 실시간 응용에 적합하다.