[논문 리뷰] Non-local Meets Global: An Integrated Paradigm for Hyperspectral Denoising

Wei He, Quanming Yao외 3명|arXiv (Cornell University)|2018. 12. 11.

Image and Signal Denoising Methods참고 문헌 53인용 수 4

한 줄 요약

이 논문은 반복 최적화를 통해 전반적인 스펙트럼 저질서 구조와 비국소적 공간 유사성을 동시에 활용하는 새로운 통합 공간-스펙트럼 초분광 이미지 노이즈 제거 프레임워크인 NGmeet를 제안한다. 공유 스펙트럼 기저를 학습하고 감소된 이미지를 교차 최소화를 통해 개선함으로써, 증가하는 스펙트럼 대역 수에 관계없이 거의 일정한 계산 비용으로 최신 기술 수준의 노이즈 제거 성능을 달성한다.

ABSTRACT

Non-local low-rank tensor approximation has been developed as a state-of-the-art method for hyperspectral image (HSI) denoising. Unfortunately, with more spectral bands for HSI, while the running time of these methods significantly increases, their denoising performance benefits little. In this paper, we claim that the HSI underlines a global spectral low-rank subspace, and the spectral subspaces of each full band patch groups should underlie this global low-rank subspace. This motivates us to propose a unified spatial-spectral paradigm for HSI denoising. As the new model is hard to optimize, we further propose an efficient algorithm for optimization, which is motivated by alternating minimization. This is done by first learning a low-dimensional projection and the related reduced image from the noisy HSI. Then, the non-local low-rank denoising and iterative regularization are developed to refine the reduced image and projection, respectively. Finally, experiments on synthetic and both real datasets demonstrate the superiority against the other state-of-the-arts HSI denoising methods.

연구 동기 및 목표

• 스펙트럼 대역 수가 증가함에 따라 초분광 영상(HSI) 노이즈 제거에서 비국소적 저질서 방법의 계산 비용 증가 문제를 해결하기 위해.
• 공간 비국소적 유사성과 전반적인 스펙트럼 저질서 구조를 하나의 최적화 프레임워크에 통합하기 위해.
• 스펙트럼 기저와 노이즈 제거된 감소된 이미지를 함께 학습하는 효율적인 반복 알고리즘을 개발하기 위해.
• 합성 및 실세계 HSI 데이터셋에서 노이즈 제거 성능을 향상시키면서도 계산 효율성을 유지하기 위해.

제안 방법

• 모든 전체 대역 패치 그룹(NLFBPGs)이 공통의 저차원 스펙트럼 부분공간에 존재하도록 강제하는 통합 모델을 제안한다.
• 직교 스펙트럼 기저와 감소된 이미지를 번갈아 최적화하는 알고리즘을 도입한다.
• 첫 번째 단계에서는 잘린 SVD를 사용해 노이즈가 있는 HSI에서 전역 스펙트럼 저질서 기저를 학습한다.
• 두 번째 단계에서는 그룹화된 패치를 사용해 투영된 감소된 이미지에 대해 비국소적 저질서 근사법을 적용하여 노이즈를 제거한다.
• 세 번째 단계에서는 업데이트된 감소된 이미지를 기반으로 반복적 정규화를 통해 스펙트럼 기저를 개선한다.
• 랭크 $ K $와 노이즈 분산 $ ho $에 대한 매개변수 업데이트 전략을 적용하여 강인성과 수렴성을 향상시킨다.

실험 결과

연구 질문

• RQ1 통합 파라다임을 통해 공간 비국소적 유사성과 전역 스펙트럼 저질서 구조를 효과적으로 결합할 수 있는가?
• RQ2 전역 스펙트럼 저질서 제약을 통합함으로써 노이즈 제거 성능을 향상시키고 스펙트럼 대역 수 증가에 대한 민감도를 감소시킬 수 있는가?
• RQ3 스펙트럼 및 공간 제약을 동시에 포함하는 복잡한 공동 최적화 문제를 효율적으로 해결할 수 있는 반복적 교차 최적화 전략이 가능한가?
• RQ4 실세계 HSI 데이터에서는 참값이 제공되지 않지만, 제안된 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 노이즈 분산 100인 CAVE 데이터셋에서 NGmeet는 KBR 및 LLRT와 같은 최신 기술 수준의 방법들을 능가하는 PSNR 43.09 dB를 달성한다.
• WDC 데이터셋에서 NGmeet는 스펙트럼 대역 수가 증가함에 따라 거의 일정한 계산 시간(약 204초)을 유지하지만, KBR 및 LLRT는 시간이 선형적으로 증가한다.
• 방법은 빠르게 수렴하여 WDC 데이터셋에서 모든 노이즈 수준에서 10~15회 반복 이내에 안정된 PSNR 값을 확보한다.
• 실제 인디안 파인스 및 유 urban 데이터셋에서 NGmeet는 LRTV, FastHyDe 및 LLRT보다 시각적으로 열등한 결과를 내보내며, 스펙트럼 세부 정보를 더 잘 보존하고 노이즈를 줄였다.
• 매개변수 $ ho $ (노이즈 분산 추정기)는 강인하다: $ ho = 1 $에서 $ 3 $으로 증가함에 따라 PSNR가 약간 향상되며, $ ho = 2 $에서 평균 성능이 가장 우수하다.
• HySime를 사용한 $ K $의 초기화가 신뢰할 수 있으며, 노이즈 분산 10, 30, 50, 100에 대해 각각 $ K = 7, 6, 6, 5 $로 설정되며, 다양한 초기화 설정에서도 성능이 안정되어 있다.