[논문 리뷰] Learning a Dilated Residual Network for SAR Image Despeckling

Qiang Zhang, Qiangqiang Yuan외 3명|arXiv (Cornell University)|2017. 09. 09.

Image and Signal Denoising Methods참고 문헌 43인용 수 11

한 줄 요약

이 논문은 인해성 초해상도(SAR) 이미지의 잡음 제거를 위한 비선형 맵핑을 학습하기 위해 확장된 잔차 신경망을 사용하는 딥러닝 프레임워크인 SAR-DRN을 제안한다. 확장된 컨볼루션, 스킵 연결, 잔차 학습을 활용하여, 특히 강한 잡음이 존재하는 상황에서 이미지 세부 정보를 유지하면서도 최신 기법들보다 뛰어난 성능을 달성한다.

ABSTRACT

In this paper, to break the limit of the traditional linear models for synthetic aperture radar (SAR) image despeckling, we propose a novel deep learning approach by learning a non-linear end-to-end mapping between the noisy and clean SAR images with a dilated residual network (SAR-DRN). SAR-DRN is based on dilated convolutions, which can both enlarge the receptive field and maintain the filter size and layer depth with a lightweight structure. In addition, skip connections and residual learning strategy are added to the despeckling model to maintain the image details and reduce the vanishing gradient problem. Compared with the traditional despeckling methods, the proposed method shows superior performance over the state-of-the-art methods on both quantitative and visual assessments, especially for strong speckle noise.

연구 동기 및 목표

• 기존 선형 모델이 SAR 이미지 잡음 제거에서 가지는 한계를 극복하기 위해.
• 노이즈가 있는 SAR 이미지에서 정제된 이미지로의 비선형 맵핑을 학습하는 엔드 투 엔드 딥러닝 접근법을 개발하기 위해.
• 학습 중에 기울기 소실 문제를 완화하면서도 이미지 세부 정보를 유지하기 위해.
• 특히 강한 잡음 조건에서 뛰어난 잡음 제거 성능을 달성하기 위해.
• 확장된 컨볼루션을 활용하여 넓은 수신장과 경량화된 네트워크 아키텍처를 설계하기 위해.

제안 방법

• 제안된 방법은 확장된 컨볼루션을 사용하여 필터 크기나 깊이를 늘리지 않고도 수신장을 확장하는 확장된 잔차 신경망(SAR-DRN)을 활용한다.
• 학습 안정성과 세밀한 이미지 세부 정보 유지에 기여하기 위해 스킵 연결을 통합한다.
• 딥 네트워크의 최적화를 촉진하고 기울기 소실 문제를 줄이기 위해 잔차 학습을 적용한다.
• 노이즈가 있는 SAR 이미지에서 해당 정제된 버전으로의 직접 맵핑을 학습하기 위해 엔드 투 엔드로 네트워크를 훈련시킨다.
• 확장된 컨볼루션을 통해 경량 구조를 유지하면서도 넓은 수신장을 달성한다.
• 예측된 이미지와 진정된 정제된 이미지 간의 차이를 최소화하는 손실 함수를 사용하여 모델을 최적화한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 기존 선형 기법들을 능가하는 비선형 맵핑을 효과적으로 학습하여 SAR 이미지 잡음 제거를 수행할 수 있는가?
• RQ2 확장된 컨볼루션은 네트워크 깊이와 파rameter 효율성을 유지하면서 어떻게 넓은 수신장을 유지하는가?
• RQ3 스킵 연결과 잔차 학습은 이미지 세부 정보 유지 및 학습 안정성 향상에 어느 정도 기여하는가?
• RQ4 최신 기술들과 비교했을 때, 제안된 방법은 강한 잡음 조건에서 어떻게 성능을 발휘하는가?
• RQ5 모델 복잡도를 증가시키지 않으면서도 뛰어난 정량적 및 시각적 성능을 달성할 수 있는가?

주요 결과

• 제안된 SAR-DRN 방법은 정량적 평가와 시각적 평가 모두에서 기존 선형 기법 및 최신 기술들보다 뛰어난 성능을 달성한다.
• 모델은 강한 잡음 조건에서도 세밀한 이미지 구조와 질감을 효과적으로 유지하면서 잡음 감소에 특히 유능하다.
• 확장된 컨볼루션의 사용은 경량 아키텍처를 유지하면서 넓은 수신장을 가능하게 하여 효율성과 성능을 향상시킨다.
• 스킵 연결과 잔차 학습은 기울기 소실 문제를 크게 줄이고 깊은 네트워크 내 특징 학습을 향상시킨다.
• 기준 데이터셋에서 높은 피크 신호 대 잡음비(PSNR)와 구조적 유사도 지수-SSIM를 확보하여 고성능의 잡음 제거 결과를 달성한다.
• 시각적 평가 결과, SAR-DRN은 특히 고잡음 영역에서 경계와 질감을 경쟁 기법들보다 더 잘 유지한다.