[논문 리뷰] Virtual SAR: A Synthetic Dataset for Deep Learning based Speckle Noise Reduction Algorithms

Shrey Dabhi, Kartavya Soni외 3명|arXiv (Cornell University)|2020. 04. 23.

Image and Signal Denoising Methods참고 문헌 23인용 수 7

한 줄 요약

이 논문은 심층 학습 모델이 고분해능 레이더(SAR) 영상에서 스펙클 노이즈를 감소시키는 데 사용할 수 있는 합성 데이터셋인 Virtual SAR를 소개한다. 물리 기반 모델을 사용하여 제어 가능한 스펙클 노이즈를 가진 현실적인 SAR 영상을 생성함으로써, 저자들은 합성 데이터셋이 심층 신경망 기반 노이즈 제거 모델이 벤치마크 영상에서 PSNR 27.119와 SSIM 0.661을 달성하도록 함으로써 최신 기술 수준의 성능을 달성할 수 있음을 입증한다. 이는 고전적 필터링 방법을 크게 능가하며, 1024×1024 영상에 대해 추론 시간을 단 3.22초로 단축시킨다.

ABSTRACT

Synthetic Aperture Radar (SAR) images contain a huge amount of information, however, the number of practical use-cases is limited due to the presence of speckle noise in them. In recent years, deep learning based techniques have brought significant improvement in the domain of denoising and image restoration. However, further research has been hampered by the lack of availability of data suitable for training deep neural network based systems. With this paper, we propose a standard way of generating synthetic data for the training of speckle reduction algorithms and demonstrate a use-case to advance research in this domain.

연구 동기 및 목표

• 심층 학습 모델 훈련을 위한 공개 가능하고 표준화된 데이터셋이 부족한 문제를 해결하기 위해.
• 훈련 및 평가를 위한 현실적인 스펙클 노이즈를 가진 합성 SAR 영상 생성을 위한 재현 가능하고 확장 가능한 방법을 개발하기 위해.
• 실제 벤치마크 영상에서 훈련 및 평가한 심층 CNN 기반 노이즈 제거 모델을 통해 합성 데이터셋의 효과성을 입증하기 위해.
• 일致성 있고 접근 가능하며 다양한 훈련 자원을 제공함으로써 SAR 영상 복원 분야의 연구를 가속화하기 위해.
• 실제 SAR 데이터와 고비용 시뮬레이션 도구에 대한 의존도를 줄이기 위해 효율적이고 대규모의 데이터 생성을 가능하게 하기 위해.

제안 방법

• 저자들은 스펙클 노이즈가 평균 1, 분산 1/L인 감마 분포를 따르는 물리 기반 모델을 사용하여 합성 SAR 영상을 생성한다. 여기서 L은 레이크 수이다.
• MATLAB의 imnoise() 함수를 사용하여 다양한 L 값에 맞게 청소된 SAR 영상에 노이즈를 추가하여 다중성 스펙클을 시뮬레이션한다.
• 실제 NASA 및 ESA 미션(Sentinel-1, ALOS PALSAR)에서 확보한 SAR 영상과 합성 스펙클 노이즈를 조합하여 다양한 훈련 샘플을 구성한다.
• 로그 변환을 피하기 위해 원시 강도 영역에서 직접 훈련하는 ID-CNN 기반의 CNN 아키텍처를 사용하여 노이즈가 있는 영상에서 청소된 영상로의 매핑을 학습한다.
• 학습률 0.001로 설정된 ADAM 옵timizer와 평균 제곱 오차 손실 함수를 사용하며, 총 변동성 정규화 항을 포함하지 않는다.
• 성능 평가는 PSNR, SSIM, ENL 지표를 사용하고, 고성능 워크스테이션에서 추론 시간을 측정한다.

실험 결과

연구 질문

• RQ1 제어 가능한 스펙클 노이즈를 가진 합성 데이터셋이 SAR 영상 스펙클 제거를 위한 심층 학습 모델 훈련에 효과적으로 사용될 수 있는가?
• RQ2 합성 SAR 데이터로 훈련된 CNN의 성능은 PSNR, SSIM, ENL 측면에서 고전적 필터링 방법보다 어떻게 비교되는가?
• RQ3 전통적인 노이즈 제거 알고리즘에 비해 합성 데이터로 훈련한 모델은 추론 시간을 줄이는가?
• RQ4 합성 데이터셋은 실제 SAR 데이터에 의존하지 않고도 재현 가능하고 확장 가능한 SAR 영상 노이즈 제거 연구를 지원할 수 있는가?
• RQ5 SAR 영상의 로그 변환을 필요로 하지 않는 강도 영역에서 직접 훈련하는 것이 로그 변환을 요구하는 방법보다 우수한 성능을 내는가?

주요 결과

• 제안된 합성 데이터셋을 통해 CNN 기반 모델이 1024×1024 테스트 영상에서 PSNR 27.119를 달성하였으며, 이는 Lee(22.965)와 Kuan(22.989)과 같은 고전적 필터보다 뚜렷하게 뛰어나다.
• SSIM 0.661을 기록하여 다음으로 우수한 방법인 SAR-BM3D(0.617)를 초월하여 구조적 정보 보존 능력이 뛰어나다.
• ENL 31.362는 노이즈 감소와 균일성 향상을 보여주며, SAR-BM3D(34.990)와 PPB(30.351)를 모두 능가한다.
• CNN 모델은 1024×1024 영상에 대해 추론 시간을 3.22초로 단축시켰으며, PPB(137.28 s)와 SAR-BM3D(159.74 s)에 비해 극적으로 빠르다.
• 손실 함수에 총 변동성 정규화 항이 없었음에도 성능 저하가 발생하지 않았다. 이는 데이터셋 내 청소된 영상 자체가 이미 정규화 효과를 제공했기 때문이다.
• 실제 데이터에 의존하지 않고 현실적인 스펙클 노이즈를 가진 합성 데이터 생성이 SAR 노이즈 제거 분야의 심층 학습 모델 훈련을 위한 타당하고 효과적인 대안임을 확인하였다.