[논문 리뷰] MMSE Estimation for Poisson Noise Removal in Images

Stanislav Pyatykh, Jürgen Hesser|arXiv (Cornell University)|2015. 12. 02.

Image and Signal Denoising Methods참고 문헌 12인용 수 6

한 줄 요약

이 논문은 k-d 트리와 K-최근접 이웃 그래프 검색을 활용하여 빠르고 정확한 계산을 가능하게 하는, 펄스 노이즈 제거를 위한 패치 기반 최소 평균 제곱 오차(MMSE) 추정기의 제안한다. 이 방법은 기존 기법들보다 우수한 성능을 보이며, 특히 저신호 대 노이즈 비율(SNR; 피크 강도 < 4)에서 최신 기법인 BM3D 및 SPDA보다 최대 0.3 dB 높은 PSNR를 달성한다.

ABSTRACT

Poisson noise suppression is an important preprocessing step in several applications, such as medical imaging, microscopy, and astronomical imaging. In this work, we propose a novel patch-wise Poisson noise removal strategy, in which the MMSE estimator is utilized in order to produce the denoising result for each image patch. Fast and accurate computation of the MMSE estimator is carried out using k-d tree search followed by search in the K-nearest neighbor graph. Our experiments show that the proposed method is the preferable choice for low signal-to-noise ratios.

연구 동기 및 목표

• 저강도 펄스 노이즈 상황에서 분산 안정화 변환의 한계를 해결한다.
• 펄스 손상된 이미지의 MMSE 기반 제노이징을 위한 실용적이고 계산 효율적인 방법을 개발한다.
• 직접 MMSE 추정의 높은 계산 비용을 극복하기 위해 k-d 트리와 K-최근접 이웃 그래프를 활용해 빠른 이웃 검색을 실현한다.
• 특히 저강도 피크 강도에서 기존 패치 기반 기법인 SPDA 및 BM3D와 비교해 뛰어난 제노이징 성능을 입증한다.

제안 방법

• 각 이미지 패치를 랜덤 벡터로 모델링하고, 평균 제곱 오차를 최소화하는 조건부 기대값 E[X|Y=y]로 MMSE 추정기를 계산한다.
• BSD500 데이터셋의 겹치는 패치에서 유도된 자연 이미지 패치의 사전 분포를 사용한다(N_P ≈ 7×10^7패치).
• 패치 공간 내에서 이웃 검색을 가속화하기 위해 k-d 트리를 구현한다. 이는 유사한 패치를 효율적으로 검색할 수 있도록 한다.
• k-d 트리에 기반한 K-최근접 이웃 그래프를 구성하여 MMSE 추정을 위한 후보 패치를 정밀화하고 정확도를 향상시킨다.
• 이중 단계 검색을 적용한다: 첫 번째로 k-d 트리 탐색을 통해 후보 패치를 확보하고, 두 번째로 K-NN 그래프 검색을 통해 가중 평균을 계산하여 MMSE 추정을 수행한다.
• 수렴 기준으로 M=10회 반복과 K=2d개 이웃을 사용하여 반복적 추정 과정에서 속도와 정확도의 균형을 확보한다.

실험 결과

연구 질문

• RQ1 MMSE 추정은 높은 계산 비용에도 불구하고 펄스 노이즈 제거에 실용적으로 적용될 수 있는가?
• RQ2 저신호 대 노이즈 비율에서 MMSE 기반 제노이징 성능은 분산 안정화 기반 및 사전 자료 기반 기법과 비교해 어떻게 되는가?
• RQ3 고차원 패치 공간에서 효율적이고 정확한 MMSE 추정을 가능하게 하는 데이터 구조와 검색 전략은 무엇인가?
• RQ4 제안된 방법은 SPDA 및 BM3D와 같은 최신 기법들보다 PSNR 측면에서 뛰어나게 성능을 발휘하는가? 특히 저강도 이미지에서 그렇다면?
• RQ5 이 방법의 성능는 패치 크기, 클러스터 수, 이웃 목록 크기의 선택에 얼마나 민감한가?

주요 결과

• 피크 강도 1일 때 Peppers 이미지에서 제안된 방법은 20.05 dB의 PSNR를 달성하여 SPDA(19.77 dB) 및 BM3D(19.71 dB)를 초월한다.
• 피크 강도 2일 때는 21.15 dB의 PSNR를 기록하여 SPDA(20.86 dB) 및 BM3D(20.86 dB)를 초월하며, BM3D보다 0.29 dB 향상된 성능을 보인다.
• 피크 강도 3일 때는 21.82 dB의 PSNR를 기록하여 SPDA(21.67 dB) 및 BM3D(21.67 dB)를 능가하며, 저신호 대 노이즈 비율 환경에서의 일관된 우수성을 입증한다.
• 피크 강도 4일 때는 22.24 dB의 PSNR를 기록하여 BM3D(22.20 dB)와 SPDA(22.24 dB)를 약간 앞서며, 다양한 강도에서 뛰어난 성능을 보인다.
• 피크 강도 5일 때는 22.56 dB의 PSNR를 기록하여 BM3D(22.63 dB)를 약간 빛나지만, 모든 테스트 이미지 평균 성능에서 최고를 유지한다.
• 표준 PC에서 256×256 이미지를 약 14분 내로 처리하여, 고차원 패치 처리에도 불구하고 실용적인 실행 시간 효율성을 입증한다.