[논문 리뷰] Hierarchical Bayesian sparse image reconstruction with application to MRFM

Nicolas Dobigeon, Alfred O. Hero외 1명|Open Archive Toulouse Archive Ouverte (University of Toulouse)|2008. 09. 22.

Sparse and Compressive Sensing Techniques인용 수 4

한 줄 요약

이 논문은 MRFM 영상에서 자연스럽게 희박하고 양수인 이미지를 선형 노이즈 있는 관측치로부터 복원하기 위해 계층적 베이지안 희박 영상 복원 방법을 제안한다. 영상 픽셀의 희박성과 양수성을 강제하기 위해 영점에 대한 점질량과 양수 지수 분포의 혼합 사전분포를 사용한다. 풀 베이지안 하이퍼파rameter 극대화와 함께 게이블스 샘플링을 적용하여 전체 사후 분포 추론을 제공하며, 기존의 희박 복원 기법들보다 우수한 성능을 보이며, 특히 고 SNR에서 뛰어난 성능을 발휘한다. 이는 인공 및 실제 타바코 바이러스 MRFM 데이터를 통해 검증되었다.

ABSTRACT

This paper presents a hierarchical Bayesian model to reconstruct sparse images when the observations are obtained from linear transformations and corrupted by an additive white Gaussian noise. Our hierarchical Bayes model is well suited to such naturally sparse image applications as it seamlessly accounts for properties such as sparsity and positivity of the image via appropriate Bayes priors. We propose a prior that is based on a weighted mixture of a positive exponential distribution and a mass at zero. The prior has hyperparameters that are tuned automatically by marginalization over the hierarchical Bayesian model. To overcome the complexity of the posterior distribution, a Gibbs sampling strategy is proposed. The Gibbs samples can be used to estimate the image to be recovered, e.g. by maximizing the estimated posterior distribution. In our fully Bayesian approach the posteriors of all the parameters are available. Thus our algorithm provides more information than other previously proposed sparse reconstruction methods that only give a point estimate. The performance of our hierarchical Bayesian sparse reconstruction method is illustrated on synthetic and real data collected from a tobacco virus sample using a prototype MRFM instrument.

연구 동기 및 목표

• MRFM 영상에서 선형이고 노이즈 있는 관측치로부터 자연스럽게 희박하고 양수인 이미지를 복원하는 문제를 해결하기 위해.
• 희박 베이지안 탈컨볼루션 방법에서 하이퍼파rameter 조정의 불안정성을 극복하기 위해.
• 모든 매개변수에 대한 전체 사후 분포를 제공하는 풀 베이지안 프레임워크를 개발하기 위해.
• 편항 최대우도나 경험 베이지안 방법에 의존하지 않고, 극대화를 통한 자동 하이퍼파rameter 추정을 가능하게 하기 위해.

제안 방법

• 희박성과 픽셀의 양수성을 강제하기 위해 영점에 대한 점질량과 양수 지수 분포의 혼합 사전분포를 사용하는 계층적 베이지안 모델을 제안한다.
• 하이퍼파rameter에 대해 공액 사전분포를 도입하여 풀 베이지안 추론과 자동 하이퍼파rameter 극대화를 가능하게 한다.
• 게이블스 샘플링을 사용하여 사후 표본을 생성함으로써 영상과 모든 미지의 매개변수를 사후 모드 또는 평균을 통해 추정한다.
• 매 게이블스 반복에서 이차형 관측 연산자 T(κ, x)를 다시 계산하는 것을 방지하기 위해 효율적인 재귀 계산 전략을 도입하여 계산 효율성을 크게 향상시킨다.
• 픽셀 상태 샘플링을 위해 베르누이-절단 정규분포를 사용하며, 혼합 구조를 처리하기 위해 보조 변수를 도입한다.
• 관측 모델의 선형 구조를 활용하여 게이블스 샘플링 중에 T(κ, x)를 점진적으로 갱신할 수 있는 시뮬레이션 방법을 유도한다.

실험 결과

연구 질문

• RQ1 자동 하이퍼파rameter 조정을 갖는 계층적 베이지안 모델이 기존의 페널라이제이션 최대우도나 경험 베이지안 방법에 비해 MRFM에서의 희박 영상 복원 성능을 향상시킬 수 있는가?
• RQ2 영점에 대한 점질량과 양수 지수 분포의 혼합 사전분포가 영상 복원에서 희박성과 양수성 강제에 어떻게 기여하는가?
• RQ3 게이블스 샘플링을 통한 전체 사후 추론이 전통적인 희박 탈컨볼루션 방법의 점 추정보다 더 강인하고 정보가 풍부한 추정을 제공하는가?
• RQ4 실제 타바코 바이러스 MRFM 데이터 복원에서 제안된 방법은 이전 방법이 실패하는 고 신호 대 잡음비 조건에서도 잘 작동하는가?
• RQ5 이차형 관측 연산자 T(κ, x)의 재귀적 계산 전략이 대규모 영상 복원에서 게이블스 샘플링의 계산 비용을 효과적으로 줄일 수 있는가?

주요 결과

• 제안된 계층적 베이지안 방법은 특히 이전 방법이 불안정성을 보이는 고 SNR 조건에서 기존의 페널라이제이션 최대우도 접근법보다 더 안정적이고 정확한 영상 복원을 제공한다.
• 두 번째 수준의 계층에서 하이퍼파rameter를 자동으로 극대화함으로써 반복 최적화나 조정이 필요 없어지며, 이는 강인성을 향상시킨다.
• 게이블스 샘플링은 영상, 잡음 분산, 하이퍼파rameter를 포함한 모든 매개변수에 대한 전체 사후 분포를 생성하여 점 추정보다 더 풍부한 추론을 가능하게 한다.
• 이차형 관측 연산자에 대한 재귀적 갱신 전략은 계산 비용을 감소시켜 대규모 영상에 대해서도 효율적인 샘플링을 가능하게 한다.
• 실제 타바코 바이러스 MRFM 데이터에서, 제안된 방법은 기존 기준 방법에 비해 더 높은 대trast와 낮은 노이즈를 가진 세밀한 구조적 세부 정보를 성공적으로 복원한다.
• 영점에 대한 점질량과 양수 지수 사전분포의 조합이 표준 라플라스 또는 가우시안 혼합 사전분포보다 MRFM 영상의 자연스러운 희박성과 양수성을 더 잘 포착한다.