[논문 리뷰] Poisson noise reduction with non-local PCA

Joseph Salmon, Zachary T. Harmany외 2명|arXiv (Cornell University)|2012. 06. 02.

Image and Signal Denoising Methods참고 문헌 34인용 수 12

한 줄 요약

이 논문은 비틀림 없는 패치 기반 처리와 희생성 PCA를 조합하여 이질적 분산성을 다루는 포아송-PCA를 활용한 새로운 노이즈 제거 방법인 포아송 비국소 주성분 분석(Poisson NLPCA)을 제안한다. 일반화된 정규분포로의 변환 없이 직접 포아송 통계를 모델링함으로써 매우 낮은 조명 조건에서 최신 기술을 초월하는 성능을 달성하며, 정확도와 아티팩트 감소 측면에서 기존 방법들을 능가한다.

ABSTRACT

Photon-limited imaging arises when the number of photons collected by a sensor array is small relative to the number of detector elements. Photon limitations are an important concern for many applications such as spectral imaging, night vision, nuclear medicine, and astronomy. Typically a Poisson distribution is used to model these observations, and the inherent heteroscedasticity of the data combined with standard noise removal methods yields significant artifacts. This paper introduces a novel denoising algorithm for photon-limited images which combines elements of dictionary learning and sparse patch-based representations of images. The method employs both an adaptation of Principal Component Analysis (PCA) for Poisson noise and recently developed sparsity-regularized convex optimization algorithms for photon-limited images. A comprehensive empirical evaluation of the proposed method helps characterize the performance of this approach relative to other state-of-the-art denoising methods. The results reveal that, despite its conceptual simplicity, Poisson PCA-based denoising appears to be highly competitive in very low light regimes.

연구 동기 및 목표

• 야간 시야, 핵의학 영상, 스펙트럼 영상와 같은 광자 제한 영상 환경에서 포아송 노이즈에 의한 영상 손상 문제를 해결하기 위해.
• 저광자 수에서 이질적 분산성으로 인해 실패하는 표준 노이즈 제거 방법이 일반화된 정규분포를 가정한다는 점을 해결하기 위해.
• 데이터를 근사 정규분포로 변환하지 않고도 포아송 분포 데이터를 직접 모델링하여 통계적 정밀도를 유지하기 위해.
• 비국소 패치 기반 표현과 포아송-PCA를 통합하여 저신호 조건에서의 노이즈 제거 성능을 향상시키기 위해.
• 개념적으로 단순한 비정규분포 기반 최적화 접근 방식이 매우 낮은 조도 조건에서 경쟁 가능한 성능을 달성할 수 있음을 입증하기 위해.

제안 방법

• 광자 제한 영상의 기본 강도를 모델링하기 위해 지수족 분포에 적응된 포아송 주성분 분석(Poisson-PCA)을 사용한다.
• 이미지 전역에서 유사한 패치를 그룹화하여 표현 및 노이즈 제거 성능을 향상시키는 비국소 프레임워크를 사용한다.
• 분산 안정화 변환(예: 안스콤 변환)이 필요 없도록 포아송 우도 기반 데이터 적합성 항을 최적화 문제에 포함시킨다.
• 손실 함수의 헤시안과 기울기로부터 유도된 닫힌 형태의 갱신을 통해 반복적으로 인자 행렬 $U$와 $V$를 업데이트하는 뉴턴 유형의 반복적 방법으로 비볼록 최소화 문제를 해결한다.
• $U$와 $V$에 대한 헤시안 행렬은 대각행렬이므로 뉴턴 단계의 계산을 효율적으로 수행하기 위해 대각원소만 역행렬화하면 된다.
• 유사한 패치를 그룹화하는 클러스터링 단계를 도입하여 계산 복잡도를 감소시키면서 성능 향상 효과를 얻는다.

실험 결과

연구 질문

• RQ1 비국소 패치 기반 접근 방식과 포아송-PCA를 조합하면 매우 낮은 조도, 광자 제한 영상 조건에서 기존의 노이즈 제거 방법을 능가할 수 있는가?
• RQ2 저광자 수 조건에서 포아송 노이즈를 직접 모델링하는 방식이 안스콤 변환과 같은 정규화 기법보다 노이즈 제거 정확도에서 더 우수한가?
• RQ3 포아송 분포 영상 데이터의 표현에 희박성과 비국소 유사성 요소를 통합할 경우 어떤 영향을 미치는가?
• RQ4 기존 방법이 실패하는 매우 낮은 픽셀당 광자 수 조건에서도 제안된 포아송 NLPCA 방법이 높은 성능을 유지하는가?
• RQ5 포아송-PCA에 대한 뉴턴 기반 최적화 전략은 큰 이미지 패치에 대해 효율적으로 확장될 수 있으며 수렴성과 정확도를 유지하는가?

주요 결과

• Poisson NLPCA는 광자 제한 영상의 노이즈 제거에서 매우 낮은 조도 조건에서 최신 기술을 초월하는 성능을 달성한다.
• 일반적인 노이즈 제거 기법이 정규분포를 가정하거나 데이터 변환에 의존하는 것과는 달리, 이 방법은 아티팩트를 크게 감소시킨다.
• 실증 평가 결과, 특히 신호 대 노이즈 비율이 낮을 경우 PSNR와 시각적 품질 측면에서 다른 최신 기술보다 뛰어난 성능을 보였다.
• 비국소 패치 그룹화를 통해 이미지 전반의 재현성과 관련된 정보를 활용함으로써 저신호 조건에서도 노이즈 제거 성능이 향상된다.
• 데이터를 먼저 변환하지 않고 포아송 우도를 직접 최적화함으로써, 데이터 변환을 거친 방법보다 더 정확한 강도 추정치를 도출할 수 있었다.
• 유사한 패치를 그룹화하는 클러스터링 단계 덕분에 계산 복잡도가 감소하여 정확도를 유지하면서도 효율적인 처리가 가능해졌다.