[논문 리뷰] Regularized Non-Gaussian Image Denoising

Albert Oh, Rebecca Willett|arXiv (Cornell University)|2015. 08. 12.

Sparse and Compressive Sensing Techniques참고 문헌 13인용 수 5

한 줄 요약

이 논문은 비정규 분포 이미지 정화에서 비볼록 정규화를 볼록 최적화 문제로 변환하는 재매개변수화 프레임워크를 제안한다. 이는 볼록 해법기를 통한 효율적 해법을 가능하게 하며, 포isson 및 스펙클 노이즈 환경에서 log-Total Variation와 같은 정규화가 표준 방법보다 우수한 성능을 내며, 실험적으로 최대 15%의 RMSE 향상을 보인다.

ABSTRACT

In image denoising problems, one widely-adopted approach is to minimize a regularized data-fit objective function, where the data-fit term is derived from a physical image acquisition model. Typically the regularizer is selected with two goals in mind: (a) to accurately reflect image structure, such as smoothness or sparsity, and (b) to ensure that the resulting optimization problem is convex and can be solved efficiently. The space of such regularizers in Gaussian noise settings is well studied; however, non-Gaussian noise models lead to data-fit expressions for which entirely different families of regularizers may be effective. These regularizers have received less attention in the literature because they yield non-convex optimization problems in Gaussian noise settings. This paper describes such regularizers and a simple reparameterization approach that allows image reconstruction to be accomplished using efficient convex optimization tools. The proposed approach essentially modifies the objective function to facilitate taking advantage of tools such as proximal denoising routines. We present examples of imaging denoising under exponential family (Bernoulli and Poisson) and multiplicative noise.

연구 동기 및 목표

• 비정규 노이즈 모델에서 표준 볼록 정규화의 한계를 해결하며, 비볼록 정규화는 성능이 뛰어나지만 최적화가 불가능한 문제를 다루기 위해.
• 비정규 정화에서의 비볼록성 문제를 해결하기 위해, 이미지 구조를 유지하면서도 볼록 최적화를 가능하게 하는 재매개변수화 기법을 도입하기 위해.
• 포isson 및 다중성 노이즈 환경에서는 비볼록인 경우가 많지만, log-Total Variation와 같은 정규화 기법이 볼록으로 변환되어 뛰어난 성능을 발휘함을 보여주기 위해.
• 가우시안 모델 외의 노이즈 모델에 맞게 정규화를 적응시키는 일반적인 프레임워크를 제공하여, 저신호 영역에서 이미지 복원 정밀도를 향상시키기 위해.
• 지수족 노이즈 및 다중성 노이즈 모델에 대한 실제 이미징 문제에 본 방법을 검증하여, 기준 방법 대비 일관된 성능 향상을 보여주기 위해.

제안 방법

• 변수 치환, 예를 들어 $ z = \log x $를 사용하여 비정규 노이즈 모델 하에서 비볼록 정규화를 볼록으로 변환하는 정규화 목적함수를 재구성한다.
• 노이즈 모델의 음의 로그우도(예: 포isson, 감마, 레일라이지언)를 데이터 일치 항목 $ \phi(x,y) $로 사용하여 통계적 일관성을 확보한다.
• 재매개변수화된 문제에 대해 프록시멀 정화 알고리즘을 적용하여, 프록시멀 경사하강법과 같은 효율적인 볼록 최적화 도구를 활용한다.
• 포isson 노이즈의 경우, 목적함수는 $ \sum_i (x_i + y_i \log x_i) + \tau \| \log x \|_{\text{TV}} $로 표현되며, 재매개변수화 $ z = \log x $ 이후 볼록이 된다.
• 스펙클 노이즈의 경우에도 유사한 재매개변수화 기법을 사용하며, $ z = \log x $를 통해 비볼록인 log-정규화를 볼록 형태로 변환한다.
• 로그우도 함수의 곡률 특성을 활용하여, 이전에는 비볼록이었던 문제에 대해서도 표준 볼록 해법기를 적용할 수 있도록 프레임워크를 제공한다.

실험 결과

연구 질문

• RQ1 가우시안 정화에서 비가능한 비볼록 정규화 기법이 비정규 설정에서는 실현 가능하고 효과적으로 활용될 수 있는가?
• RQ2 재매개변수화 기법 $ z = \log x $를 통해 비정규 노이즈 환경에서 비볼록 정규화가 볼록 최적화 문제로 변환되는가?
• RQ3 포isson 및 스펙클 노이즈 환경에서 log-정규화 기반 정화 성능이 표준 TV 또는 $ \ell_1 $-기반 방법보다 어떻게 비교되는가?
• RQ4 다중성 노이즈 모델에서 재매개변수화 파라미터 $ k $ 가 재구성 품질과 수렴 속도에 미치는 영향은 무엇인가?
• RQ5 제안된 프레임워크는 포isson, 베르누이, 감마 등 다양한 지수족 노이즈 모델과 다중성 노이즈 유형으로 일반화될 수 있는가?

주요 결과

• 재매개변수화 $ z = \log x $는 포isson 노이즈 하에서 비볼록인 log-Total Variation 정규화를 볼록 최적화 문제로 변환하여, 프록시멀 방법을 통한 효율적 해법이 가능하다.
• 평균 10인 포isson 정화에서, 최적의 재매개변수화 방법은 평균 RMSE 0.0945를 달성하여 기준 방법(0.1008)보다 6% 이상 우수한 성능을 보였다.
• S=3인 스펙클 노이즈에서 재매개변수화 방법은 평균 RMSE를 기준 방법(0.1649)에서 $ k=2 $일 때 0.1276으로 낮추어 22.6% 향상되었다.
• 모든 테스트 이미지에서 성능 향상이 일관되게 관찰되었으며, 포isson 및 스펙클 노이즈 실험 모두에서 최적의 재매개변수화 방법이 기준 방법을 항상 앞섰다.
• 중간 수준의 $ k $ 값에서도 상당한 RMSE 감소 효과를 보였으며, $ k=2 $ 이후 성능 향상 폭이 수렴함을 통해 안정성과 강인성을 입증했다.
• 시각적 결과(Figures C1, D1, D2)는 재매개변수화된 재구성 이미지가 기준 방법 대비 가장자리 및 미세 구조를 더 잘 유지함을 보여주었으며, 특히 저SNR 환경에서 뚜렷한 우수성을 보였다.