[논문 리뷰] Hybrid Spatio-Spectral Total Variation: A Regularization Technique for Hyperspectral Image Denoising and Compressed Sensing

Saori Takeyama, Shunsuke Ono외 1명|arXiv (Cornell University)|2019. 07. 31.

Sparse and Compressive Sensing Techniques참고 문헌 37인용 수 3

한 줄 요약

이 논문은 균형 가중치를 사용하여 공간적 및 스펙트럼적 局소 차이를 함께 모델링하는 새로운 정규화 기법인 하이브리드 스펙트럼-공간 총변동(HSSTV)을 제안한다. ADMM를 통해 해결하는 볼록 최적화 문제로 공식화함으로써, 기존의 TV 기반 방법에 비해 향상된 복원 성능와 함께 계산 비용을 감소시킨다.

ABSTRACT

We propose a new regularization technique, named Hybrid Spatio-Spectral Total Variation (HSSTV), for hyperspectral (HS) image denoising and compressed sensing. Regularization techniques based on total variation (TV) focus on local differences of an HS image to model its underlying smoothness and have been recognized as a popular approach to HS image restoration. However, existing TVs do not fully exploit underlying spectral correlation in their designs and/or require a high computational cost in optimization. Our HSSTV is designed to simultaneously evaluates two types of local differences: direct local spatial differences and local spatio-spectral differences in a unified manner with a balancing weight. This design resolves the said drawbacks of existing TVs. Then, we formulate HS image restoration as a constrained convex optimization problem involving HSSTV and develop an efficient algorithm based on the alternating direction method of multipliers (ADMM) for solving it. In the experiments, we illustrate the advantages of HSSTV over several state-of-the-art methods.

연구 동기 및 목표

• 기존의 총변동(TV) 방법이 고분광 영상 복원에서 스펙트럼 상관관계를 효과적으로 활용하지 못하거나 높은 계산 비용을 유발하는 등의 한계를 해결하기 위해.
• 고분광 영상에서 국소적 공간적 및 스펙트럼-공간적 차이를 동시에 포괄하는 통합 정규화 프레임워크를 개발하기 위해.
• 균형 잡힌 원리적인 방식으로 공간적 및 스펙트럼적 스무딩을 통합함으로써 계산 복잡도를 감소시키면서도 복원 품질을 향상시키기 위해.
• HSSTV를 정규화 항으로 사용하여 고분광 영상 복원을 제약 조건이 있는 볼록 최적화 문제로 공식화하기 위해.
• 실용적인 확장성을 확보하기 위해 ADMM 기반 알고리즘을 설계하기 위해.

제안 방법

• HSSTV는 균형 가중치 매개변수를 사용하여 직접적인 국소적 공간적 차이와 국소적 스펙트럼-공간적 차이를 하나의 정규화 항으로 통합한다.
• 이 방법은 통합 프레임워크 내에서 공간적 및 스펙트럼적 변동을 평가함으로써 고분광 영상의 기저 스무딩을 모델링한다.
• 최적화 문제는 HSSTV를 정규화 항으로 하고 관측 측정치에 대한 데이터 적합도를 고려하여 제약 조건이 있는 볼록 프로그램으로 공식화된다.
• 효율적인 최적화 문제 해결을 위해 양변 다중 승수법(ADMM) 알고리즘이 개발되었으며, 이는 확장 가능하고 안정적인 수렴을 가능하게 한다.
• 알고리즘은 영상 추정치, 이중 변수, 보조 변수를 번갈아가며 갱신함으로써 강건성과 계산 효율성을 확보한다.

실험 결과

연구 질문

• RQ1 기존 방법에 비해 TV 기반 정규화에서 고분광 영상의 스펙트럼 상관관계를 더 효과적으로 활용할 수 있는 방법은 무엇인가?
• RQ2 공간적 및 스펙트럼적 차이를 통합하는 통합 정규화 프레임워크는 고분광 영상 노이즈 제거 및 압축 감지에서 복원 성능을 향상시킬 수 있는가?
• RQ3 공간적 및 스펙트럼-공간적 차이의 균형 조절이 복원 알고리즘의 계산 효율성과 수렴 속도에 미치는 영향는 어떠한가?
• RQ4 정량적 영상 품질 지표 측면에서 제안된 HSSTV 방법은 최신의 TV 기반 접근법에 비해 어떻게 비교되는가?
• RQ5 HSSTV를 위한 ADMM 기반 솔버는 실용적인 고분광 영상 복원 작업에서 높은 정확도와 낮은 계산 비용을 동시에 달성할 수 있는가?

주요 결과

• HSSTV는 노이즈 제거 및 압축 감지 작업 모두에서 몇몇 최신의 TV 기반 방법에 비해 뛰어난 고분광 영상 복원 성능을 달성한다.
• 이 방법은 공간-스펙트럼 변동을 공동으로 모델링함으로써 스펙트럼 상관관계를 효과적으로 활용하여 구조적 및 스펙트럼 적합도를 향상시킨다.
• ADMM 기반 최적화 알고리즘은 빠른 수렴과 낮은 계산 오버헤드를 보이며, 대규모 고분광 데이터에 적합하다.
• 정량적 결과는 PSNR 및 스펙트럼 각도 맵퍼(SAM) 지표 측면에서 기존의 TV 방법보다 HSSTV가 뛰어난 성능을 보임을 보여준다.
• HSSTV의 균형 가중치는 공간적 및 스펙트럼적 정규화 간의 탄력적인 트레이드오프를 가능하게 하여 다양한 영상 특성에 대한 적응성을 향상시킨다.