[논문 리뷰] Image denoising via group sparsity residual constraint

Zhiyuan Zha, Xin Liu외 8명|arXiv (Cornell University)|2016. 09. 12.

Image and Signal Denoising Methods참고 문헌 25인용 수 3

한 줄 요약

이 논문은 첫 번째 단계에서 청소화된 이미지 추정을 사용하여 노이즈가 있는 이미지의 그룹 스parser 계수를 개선함으로써 그룹 스퍼스리티 잔차를 줄이는 새로운 이미지 노이즈 제거 방법인 그룹 스퍼스리티 잔차 제약(GSRC)을 제안한다. 이 방법은 PSNR에서 BM3D 및 WNNM과 같은 최신 기술들을 능가하면서도 경쟁 가능한 계산 속도를 유지한다.

ABSTRACT

Group sparsity has shown great potential in various low-level vision tasks (e.g, image denoising, deblurring and inpainting). In this paper, we propose a new prior model for image denoising via group sparsity residual constraint (GSRC). To enhance the performance of group sparse-based image denoising, the concept of group sparsity residual is proposed, and thus, the problem of image denoising is translated into one that reduces the group sparsity residual. To reduce the residual, we first obtain some good estimation of the group sparse coefficients of the original image by the first-pass estimation of noisy image, and then centralize the group sparse coefficients of noisy image to the estimation. Experimental results have demonstrated that the proposed method not only outperforms many state-of-the-art denoising methods such as BM3D and WNNM, but results in a faster speed.

연구 동기 및 목표

• 기존의 그룹 스퍼스리티 기반 노이즈 제거 방법이 노이즈가 있는 이미지의 국소적 자가유사성에만 의존함으로써 최적의 재구성 성능을 이룰 수 없는 한계를 해결한다.
• 노이즈가 있는 이미지의 구조와 추정된 청소화된 이미지의 그룹 스퍼스 계수를 모두 활용하는 새로운 사전 모델을 도입하여 노이즈 제거 성능을 향상시킨다.
• 노이즈가 있는 이미지와 청소화된 이미지 간의 그룹 스퍼스리티 잔차를 줄여 재구성 정확도와 세부 정보 유지 능력을 향상시킨다.
• 높은 노이즈 제거 품질과 계산 효율성 사이의 균형을 이루며, WNNM 및 AST-NLS보다 빠른 속도를 확보하면서도 그들의 PSNR 성능을 유지하거나 초월한다.

제안 방법

• 노이즈가 있는 이미지의 그룹 스퍼스 표현과 진짜 청소화된 이미지 간의 편차를 측정하는 지표로 그룹 스퍼스리티 잔차 개념을 도입한다.
• 기존의 노이즈 제거 방법을 사용하여 청소화된 이미지의 첫 번째 단계 추정을 수행함으로써 원본 이미지의 초기 그룹 스퍼스 계수 추정치를 확보한다.
• 노이즈가 있는 이미지의 그룹 스퍼스 계수를 청소화된 이미지의 추정 계수 쪽으로 중심화하여 그룹 스퍼스리티 잔차를 최소화한다.
• 노이즈가 있는 이미지의 비슷한 패치들을 이용해 3차원 그룹을 형성하고, 변환 도메인에서 협동 필터링을 적용하여 스퍼스리티를 향상시키고 노이즈를 감소시킨다.
• 유사한 이미지 패치에서 유도된 계수 행렬에 그룹 스퍼스리티를 강제하는 정규화 프레임워크를 적용하며, 노이즈 수준에 따라 매개변수를 조정한다.
• 노이즈 분산에 따라 패치 크기를 적응적으로 조절하는 MATLAB 기반 알고리즘을 구현하며, 다양한 노이즈 수준에 대해 고정된 매개변수 조합(c, γ, δ)을 사용한다.

실험 결과

연구 질문

• RQ1 노이즈가 있는 이미지와 청소화된 이미지 표현 간의 그룹 스퍼스리티 잔차를 줄임으로써 기존 방법들보다 향상된 노이즈 제거 성능을 달성할 수 있는가?
• RQ2 그룹 스퍼스 계수 개선 과정에 초기 청소화된 이미지 추정치를 통합함으로써 재구성 정확도와 세부 정보 유지 능력이 향상되는가?
• RQ3 제안된 방법이 BM3D 및 WNNM과 같은 최신 기술보다 더 높은 PSNR를 달성하면서도 경쟁 가능한 런타임을 유지할 수 있는가?
• RQ4 기존 방법들이 높은 노이즈 수준(σ > 50)에서 세밀한 무늬와 에지 정보를 유지하기 어려운 상황에서, 제안된 GSRC 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 모든 테스트 노이즈 수준에서 GSRC는 BM3D보다 평균 0.39–0.56 dB, NCSR보다 0.46–0.76 dB, MSEPLL보다 0.61–0.66 dB의 PSNR 향상을 달성한다.
• σ = 100일 때, GSRC는 Foreman 이미지에서 BM3D 대비 최대 1.24 dB, House 이미지에서 1.37 dB의 PSNR 향상을 기록하여 고노이즈 환경에서도 뛰어난 성능을 보였다.
• 시각적 결과에서 GSRC는 BM3D, WNNM, AST-NLS보다 날카운 에지와 잔차를 더 잘 억제하며, 무늬가 풍부하고 에지가 많은 영역에서 특히 뛰어난 성능을 보였다.
• GSRC는 WNNM, NCSR, AST-NLS보다 뚜렷이 더 빠른 속도를 보였으며, 테스트 이미지에서 중앙값 런타임이 55–115초였고, WNNM 및 NCSR의 200초 이상과 대비되었다.
• GSRC는 MATLAB로 구현되었음에도 불구하고 경쟁적인 속도를 유지했으며, 최적화된 C++ mex 함수를 사용하는 BM3D를 제외한 모든 방법보다 빠르게 동작했다.
• 모든 노이즈 수준에서 12개의 표준 테스트 이미지에 대해 GSRC는 상태최고의 PSNR 성능을 기록했으며, 저노이즈 및 고노이즈 환경 모두에서 일관된 향상을 보였다.