[논문 리뷰] prDeep: Robust Phase Retrieval with a Flexible Deep Network

Christopher A. Metzler, Philip Schniter외 2명|arXiv (Cornell University)|2018. 03. 01.

Advanced X-ray Imaging Techniques참고 문헌 38인용 수 20

한 줄 요약

prDeep는 다양한 시스템 모델에서 노이즈가 있는 진폭만 측정된 데이터를 처리하기 위해 정규화된 노이즈 제거(RED) 프레임워크에 깊이 학습된 컨volutional 신경망 노이즈 제거기(DnCNN)를 통합한 강건한 단층 회복 알고리즘이다. 이 알고리즘은 재학습 없이도 푸리에 및 코딩된 회절 패턴 측정치를 포함한 다양한 측정 모델에서 최신 기술 수준의 재구성 정확도와 계산 효율성을 달성한다.

ABSTRACT

Phase retrieval algorithms have become an important component in many modern computational imaging systems. For instance, in the context of ptychography and speckle correlation imaging, they enable imaging past the diffraction limit and through scattering media, respectively. Unfortunately, traditional phase retrieval algorithms struggle in the presence of noise. Progress has been made recently on more robust algorithms using signal priors, but at the expense of limiting the range of supported measurement models (e.g., to Gaussian or coded diffraction patterns). In this work we leverage the regularization-by-denoising framework and a convolutional neural network denoiser to create prDeep, a new phase retrieval algorithm that is both robust and broadly applicable. We test and validate prDeep in simulation to demonstrate that it is robust to noise and can handle a variety of system models. A MatConvNet implementation of prDeep is available at https://github.com/ricedsp/prDeep.

연구 동기 및 목표

• 기존 단층 회복 알고리즘이 노이즈가 많은 환경과 제한된 측정 모델에서 겪는 한계를 해결하기 위해.
• 노이즈에 강건하고 푸리에 및 코딩된 회절 패턴을 포함한 다양한 측정 시스템에 널리 적용 가능한 단층 회복 방법을 개발하기 위해.
• 각 새로운 측정 모델에 대해 재학습이 필요 없이 사전 학습된 DnCNN 노이즈 제거기를 최적화 프레임워크에 통합하여 딥 러닝 사전 지식을 통합하기 위해.
• 기존의 플러그 앤 플레이 및 최적화 기반 단층 회복 방법보다 재구성 정확도와 런타임 효율성을 향상시키기 위해.

제안 방법

• 노이즈 제거를 통한 정규화(RED) 프레임워크를 단층 회복에 적응시켜, 노이즈 제거기를 사전 지식으로 통합한 일반적인 최적화 문제를 수립한다.
• 자연 이미지의 사전 지식을 단층 회복 과정에서 모델링하기 위해 강력한 사전 학습된 이미지 노이즈 제거기인 DnCNN 컨volutional 신경망을 사용한다.
• 단층 회복 문제를 효율적으로 해결하기 위해 노이즈 제거기를 교차 방법의 다중 승수(ADMM) 최적화 절차에 통합한다.
• 측정 행렬의 구조에 대한 가정 없이 푸리에 변환과 코딩된 회절 패턴을 포함한 다양한 측정 모델을 지원한다.
• 노이즈 제거의 MAP 베이지안 해석을 활용하여 명시적인 정규화 항 없이도 자연 이미지 사전 지식을 암묵적으로 강제한다.
• 기존의 순수 딥 러닝 기반 접근 방식과 달리 새로운 측정 모델이나 노이즈 수준에 대해 재학습이 필요 없어 유연성을 유지한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 노이즈 제거기가 변분 단층 회복 프레임워크에 효과적으로 통합되어 노이즈에 대한 강건성을 향상시킬 수 있는가?
• RQ2 이러한 알고리즘이 재학습 없이도 다양한 측정 모델, 특히 푸리에 측정치를 처리할 수 있는가?
• RQ3 제안된 방법의 성능은 기존의 플러그 앤 플레이 및 최적화 기반 단층 회복 방법과 비교해 재구성 정확도와 런타임 측면에서 어떻게 다른가?
• RQ4 사전 학습된 DnCNN 노이즈 제거기를 사용할 경우 수작업으로 설계된 사전 지식나 다른 노이즈 제거기(BM3D 등)보다 얼마나 뛰어난 성능을 내는가?

주요 결과

• prDeep는 특히 고노이즈 수준과 푸리에 측정치에서 다른 플러그 앤 플레이 방법이 실패하거나 심각하게 성능이 떨어지는 상황에서 기존 방법보다 뛰어난 재구성 정확도를 달성한다.
• 4배 오버샘플링된 푸리에 측정치와 고노이즈($\alpha = 3$) 조건에서의 시뮬레이션에서, prDeep는 HIO, WF, OSS, SPAR, BM3D-prGAMP, BM3D-ADMM, DnCNN-ADMM보다 더 적은 아티팩트와 더 뛰어난 시각적 품질을 제공했다.
• 푸리에 측정치 하에서 $256 \times 256$ 이미지 재구성에 대해 prDeep는 345초의 런타임을 기록했으며, BM3D-ADMM(576초)와 DnCNN-ADMM(426초)를 능가했고, 더 느린 방법들과 비교해 정확도는 유사하거나 이를 초월했다.
• 낮은 SNR 조건에서의 코딩된 회절 패턴 측정치에서는 prDeep가 다른 플러그 앤 플레이 방법과 유사한 성능을 보였지만, BM3D-ADMM 및 SPAR보다 훨씬 빠른 런타임을 기록했다.
• 다양한 측정 모델에 걸쳐 노이즈에 대한 강건성을 입증했으며, 이는 이전의 플러그 앤 플레이 방법인 SPAR나 BM3D-prGAMP가 지원하지 못하는 모델에도 적용 가능했다.
• prDeep는 재학습 없이도 학습된 노이즈 제거기(DnCNN)를 푸리에 기반 단층 회복에 성공적으로 적용한 최초의 방법으로, 다양한 영상 시나리오에서 높은 성능을 유지했다.