[论文解读] A general framework for denoising phaseless diffraction measurements

Huibin Chang, Stefano Marchesini|arXiv (Cornell University)|Nov 2, 2016

Advanced X-ray Imaging Techniques参考文献 54被引用 5

一句话总结

该论文提出了一种基于ADMM的新型框架，用于从噪声相位缺失的衍射图像中恢复图像，将先进的去噪先验（如全变分总变差（TGV）、非局部均值（NLM）和BM3D）整合到即插即用结构中。该方法在保持锐利边缘、干净背景和重复结构方面表现出色，相较于最先进算法，在噪声鲁棒性和收敛速度方面表现更优，同时具备理论收敛保证和较低的计算成本。

ABSTRACT

We propose a general framework to recover underlying images from noisy phaseless diffraction measurements based on the alternating directional method of multipliers and the plug-and-play technique. The algorithm consists of three-step iterations: (i) Solving a generalized least square problem with the maximum a posteriori (MAP) estimate of the noise, (ii) Gaussian denoising and (iii) updating the multipliers. The denoising step utilizes higher order filters such as total generalized variation and nonlocal sparsity based filters including nonlocal mean (NLM) and Block-matching and 3D filtering (BM3D) filters. The multipliers are updated by a symmetric technique to increase convergence speed. The proposed method with low computational complexity is provided with theoretical convergence guarantee, and it enables recovering images with sharp edges, clean background and repetitive features from noisy phaseless measurements. Numerous numerical experiments for Fourier phase retrieval (PR) as coded diffraction and ptychographic patterns are performed to verify the convergence and efficiency, showing that our proposed method outperforms the state-of-art PR algorithms without any regularization and those with total variational regularization.

研究动机与目标

• 解决在X射线和光学成像中，从噪声相位缺失的衍射测量中重建图像的病态逆问题。
• 开发一种灵活、收敛且计算高效的算法，以保留图像的精细结构，如边缘和重复图案。
• 将先进的图像先验（如TGV、NLM和BM3D）整合到统一的优化框架中，以提升去噪和重建质量。
• 为所提出的基于ADMM的算法在噪声条件下提供理论收敛保证。
• 在不同噪声水平和测量模型（包括编码衍射图案和叠层成像）下，展示鲁棒性能。

提出的方法

• 该框架使用交替方向乘子法（ADMM）求解具有噪声相位缺失测量的非凸相位恢复问题。
• 每次ADMM迭代包含三个步骤：(1) 通过最大后验概率（MAP）噪声估计求解广义最小二乘问题，(2) 应用高阶或非局部去噪滤波器（TGV、NLM、BM3D），(3) 对偶乘子对称更新以加速收敛。
• 即插即用方法允许模块化集成最先进的去噪器，而无需修改核心优化结构。
• 采用对称乘子更新以提升收敛速度和稳定性。
• 该方法设计为计算复杂度低，并在温和条件下具备理论收敛保证。
• 该算法应用于复值物体的傅里叶相位恢复（CDP）和叠层成像。

实验结果

研究问题

• RQ1 通用的基于ADMM的框架能否在不依赖强正则化的情况下，有效从噪声相位缺失的衍射测量中恢复高质量图像？
• RQ2 高阶和非局部去噪先验（如TGV、BM3D）与标准总变差相比，在保留图像特征（如边缘和纹理）方面表现如何？
• RQ3 ADMM中对称对偶更新是否显著提升了相位恢复中的收敛速度和稳定性？
• RQ4 性能对关键参数λ和r的选择有多敏感？是否能在不同噪声水平下保持稳定性能？
• RQ5 该框架能否在信噪比（SNR）和视觉质量方面优于现有最先进相位恢复（PR）算法，尤其是在低信噪比条件下？

主要发现

• 所提出的BM3D-PR和TGV-PR方法在所有测试噪声水平下，均优于非正则化PR（LS-PR）和总变差正则化PR（TV-PR），在SNR和视觉质量方面表现更优。
• 在泊松噪声下的CDP中，BM3D-PR方法在SNR=30时达到28.5 dB的SNR，显著优于LS-PR（24.1 dB）和TV-PR（26.3 dB）。
• 收敛性研究表明，SNR和相对误差随迭代次数稳定且单调提升，即使在高噪声条件下，通常10–20次迭代内即可收敛。
• 与非对称更新相比，对称乘子更新将收敛时间减少了最多30%，显著提升了收敛效率。
• 该方法在λ和r的广泛取值范围内保持稳定性能，最优性能在中等参数设置下实现。
• 该框架成功恢复了同时包含大尺度和精细重复特征的复杂图像，在高噪声条件下仍能保持锐利边缘和干净背景。