[논문 리뷰] Parameter-free and fast nonlinear piecewise filtering. Application to experimental physics

Barbara Pascal, Nelly Pustelnik외 3명|arXiv (Cornell University)|2020. 06. 05.

Image and Signal Denoising Methods참고 문헌 57인용 수 9

한 줄 요약

이 논문은 조각별로 균일한 신호 및 이미지에 대한 매개변수 없는 빠른 비선형 필터링 프레임워크를 제안한다. 이는 프록시 알고리즘과 스텐의 무편향 리스크 추정법(SURE)을 활용하여 자동으로 초매개변수를 조정한다. 실험 물리학 분야에서 가장 낮은 SNR를 가진 데이터에서 단계 경계를 탐지하는 데 있어 기존 표준 방법보다 뛰어난 에 bord 보존 성능을 보이며, 정확한 노이즈 제거 및 세분화를 달성한다.

ABSTRACT

Numerous fields of nonlinear physics, very different in nature, produce signals and images, that share the common feature of being essentially constituted of piecewise homogeneous phases. Analyzing signals and images from corresponding experiments to construct relevant physical interpretations thus often requires detecting such phases and estimating accurately their characteristics (borders, feature differences, ...). However, situations of physical relevance often comes with low to very low signal to noise ratio precluding the standard use of classical linear filtering for analysis and denoising and thus calling for the design of advanced nonlinear signal/image filtering techniques. Additionally, when dealing with experimental physics signals/images, a second limitation is the large amount of data that need to be analyzed to yield accurate and relevant conclusions requiring the design of fast algorithms. The present work proposes a unified signal/image nonlinear filtering procedure, with fast algorithms and a data-driven automated hyperparameter tuning, based on proximal algorithms and Stein unbiased estimator principles. The interest and potential of these tools are illustrated at work on low-confinement solid friction signals and porous media multiphase flows.

연구 동기 및 목표

• 저 SNR 데이터에서 신호와 이미지의 노이즈 제거 문제를 해결함으로써 실험 물리학에서 중요한 단계 경계 탐지에 기여하고자 한다.
• 전통적인 선형 필터링의 한계를 극복함으로써 물리 실험에서 중요한 단계 탐지에 필수적인 경계와 불연속성을 흐리게 만들지 않는다.
• 수동적이고 전문가 기반의 초매개변수 조정을 피하는 통합적이고 빠르며 자동화된 비선형 필터링 프레임워크를 개발하고자 한다.
• 스티크-슬립 단계나 다공성 매질에서의 기체-액체 경계와 같은 조각별로 일정하거나 선형인 영역의 정확한 탐지를 가능하게 하여 물리적 해석에 기여하고자 한다.
• 현대 실험 물리학에서 흔한 대용량 데이터세트에 적용 가능한 확장 가능한 데이터 기반 솔루션을 제공하고자 한다.
• 다변량 신호 및 이미지 처리를 위한 공개된 MATLAB 툴박스(https://github.com/bpascal-fr/stein-piecewise-filtering)를 구현하였다.

제안 방법

• 신호 및 이미지에서 조각별 균일성(일정 또는 선형)을 선호하는 비연속적인 볼록 최적화 역문제로 필터링 문제를 수립한다.
• 프록시 분할 기법(예: 전진-후진, ADMM)을 사용하여 효율적인 최적화를 수행함으로써 대용량 데이터세트의 빠른 처리를 가능하게 한다.
• 지식이 없는 상황에서도 진짜 리스크를 추정하기 위해 스텐의 무편향 리스크 추정법(SURE) 프레임워크를 적용하여 데이터 기반의 초매개변수 선택을 가능하게 한다.
• 계산 비용이 높은 격자 탐색을 대체하기 위해, SURE를 최소화하는 데 초점을 맞춘 Quasi-Newton BFGS 기반 최적화(알고리즘 4)를 도입하여 정규화 매개변수(λ, α)를 효율적으로 최적화한다.
• 두 가지 변형(ROF-Id: 독립적 정규화, ROF-S: 구조적 정규화)과 두 가지 통합 프레임워크(Joint 및 Coupled)를 설계하여 局부 정규성과 분산을 함께 활용한다.
• 다변량 신호 및 이미지 처리를 위한 공개된 MATLAB 툴박스(https://github.com/bpascal-fr/stein-piecewise-filtering)에 프레임워크를 구현하였다.

실험 결과

연구 질문

• RQ1 어떻게 하면 실험 물리학에서 조각별로 균일한 신호 및 이미지에 대해 완전히 자동화되고 매개변수 없는 비선형 필터링을 구현할 수 있는가?
• RQ2 에 bord 보존 성능에서 SURE 기반 초매개변수 조정이 수동 또는 격자 탐색 방법보다 빠르고 정확한가?
• RQ3 제안된 프레임워크는 저 SNR 실험 데이터에서 단계 경계(예: 스틱-슬립 전이, 기체-액체 경계) 탐지에 얼마나 향상되었는가?
• RQ4 일반적인 ROF 기반 방법에 비해 통합 및 결합 정규화 전략은 작은 기포와 같은 미세 구조를 얼마나 잘 보존하는가?
• RQ5 고해상도 이미지나 영상 시퀀스와 같은 대용량 데이터세트에 대해 이 프레임워크는 효율적으로 확장 가능한가?

주요 결과

• BFGS 기반 자동 초매개변수 조정(알고리즘 4)은 다중 매개변수 문제에서 격자 탐색(225회 실행)에 비해 계산 시간을 크게 줄였으며, 최대 50회 함수 평가 이내로 수행되었다.
• ROF-Id 및 Joint 방법에서 BFGS로 찾은 최적의 초매개변수(Λ_BFGS)는 격자 탐색 결과(Λ_grid)와 완벽하게 일치하여 자동화된 방법의 정확성과 일관성을 확인하였다.
• Coupled 방법은 최상의 균형을 이뤘다: 잡음이 적고, 작은 기포를 잘 보존하며, 기체-액체 경계의 정규적이고 정확한 윤곽선을 생성하여 ROF-Id, ROF-S 및 Joint 방법을 모두 능가하였다.
• 기존의 ROF-Id 및 ROF-S 절차는 심각한 잡음과 과대 추정된 기포 둘레를 유발하여 정확한 세분화와 물리적 경계의 오해를 초래하였다.
• Joint 방법은 잡음 감소 효과는 있었지만, 과도하게 정규화되어 작은 기포를 탐지하지 못했으며, 더 정교한 통합 정규화의 필요성을 입증하였다.
• 1626×1160 픽셀 크기의 대규모 이미지 전체에 대한 세분화는 오직 자동 BFGS 기반 조정을 통해 수행되었으며, 이는 프레임워크의 확장성과 실제 물리학 데이터에 대한 실용성을 확인한다.