[論文レビュー] Blind SAR Image Despeckling Using Self-Supervised Dense Dilated Convolutional Neural Network

Ye Yuan, Jian Guan+1 more|arXiv (Cornell University)|Aug 5, 2019

Image and Signal Denoising Methods参考文献 43被引用数 10

ひとこと要約

本稿では、乗法的スぺクルノイズの単位平均性を活用し、クリーンなラベルを一切用いずに、L2損失をスペクルノイズがかかる画像上で最適化することでスぺクルノイズを抑圧する自己教師あり盲目的SAR除ノイズ手法BDSSを提案する。本手法は、密度的な拡張畳み込みニューラルネットワークを用い、合成および実際のSARデータにおいて、スぺクル低減および特徴保持（エッジ、点対象、放射計測）の両面で最先端の性能を達成しており、観測の見かけの平均数（ノイズレベル）に依存しない優れた盲目的除ノイズ能力を示す。

ABSTRACT

Despeckling is a key and indispensable step in SAR image preprocessing, existing deep learning-based methods achieve SAR despeckling by learning some mappings between speckled (different looks) and clean images. However, there exist no clean SAR image in the real world. To this end, in this paper, we propose a self-supervised dense dilated convolutional neural network (BDSS) for blind SAR image despeckling. Proposed BDSS can still learn to suppress speckle noise without clean ground truth by optimized for L2 loss. Besides, three enhanced dense blocks with dilated convolution are employed to improve network performance. The synthetic and real-data experiments demonstrate that proposed BDSS can achieve despeckling effectively while maintaining well features such as edges, point targets, and radiometric. At last, we demonstrate that our proposed BDSS can achieve blind despeckling excellently, i.e., do not need to care about the number of looks.

研究の動機と目的

• 実世界の応用においてクリーンなSAR画像リファレンスが入手できないという問題に対処し、これにより教師あり深層学習による除ノイズが制限されることを回避すること。
• SAR画像における未知の見かけの平均数（つまりノイズレベル）に対してロバストな盲的なSAR除ノイズを実現すること。
• クリーンな真値を必要とせず、ノイズのある画像ペアのみで学習可能な自己教師あり学習フレームワークの開発。
• 除ノイズ処理中にエッジ、点対象、放射計測値といった重要な画像特徴を保持すること。
• 受容 field の拡大と特徴学習の向上を図るため、密な残差接続と拡張畳み込みを統合することで、既存のCNNベースの手法を上回る性能を実現すること。

提案手法

• 提案されたBDSSフレームワークは、自己教師あり学習戦略を採用しており、学習における入力およびターゲットの両方がスペクルノイズがかかるSAR画像である。これは、スぺクルノイズが単位平均を示す統計的性質を活用している。
• 密な残差ブロックと拡張畳み込みを組み合わせた、新規の密度的拡張畳み込みニューラルネットワークアーキテクチャを設計した。
• 独立にノイズが加えられた同じ画像ペア間のL2損失を用いて学習を実施し、クリーン信号をノイズ観測の期待値として学習可能とする。
• ImageNetに基づいて、現実的なSAR画像統計と学習分布を模倣するための合成SARライクデータセットを構築した。
• 密な接続を用いることで特徴の伝搬を促進し、メモリ使用量を削減し、消失勾配の問題を回避しつつ、より深いネットワークの構築を可能とした。
• クリーンな参照画像が一切不要なエンドツーエンドの学習により、ノイズ入力を除ノイズ出力にマッピングする。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、クリーンなトレーニングラベルが一切ない状況でも、効果的なSAR除ノイズを達成できるか？
• RQ2 自己教師ありネットワークは、教師ありまたは非盲目的手法と比較して、エッジ、点対象、放射計測値の保持においてどの程度優れた性能を示すか？
• RQ3 拡張畳み込みと密な残差ブロックの使用は、盲的なSAR除ノイズ性能を向上させるか？
• RQ4 再トレーニングなしで、さまざまな見かけの平均数（つまり、異なるスぺクルノイズレベル）に一般化できるか？
• RQ5 本手法は、合成および実際のSAR画像設定において、定量的に最先端の除ノイズ技術と比較してどの程度優れているか？

主な発見

• BDSSは、未知の見かけの平均数を有する実SAR画像の盲的な除ノイズにおいて、PSNR 29.78 dB、SSIM 0.8551を達成し、すべてのベースラインを顕著に上回った。
• 本手法は、比較対象すべての中で最高のENL（10.54）を達成しており、優れたスぺクル低減性能を示している。
• 合成データの実験において、BDSSは最高のエッジ保持性能を示し、平均EPD-ROA（0.87）およびMOR（0.89）の値を達成した。
• SAR-DRNは盲的な除ノイズにおいて2番目に優れた性能を示したが、BDSSは自己教師ありでありながら、異なるノイズレベルに合わせた複数のマッピングを必要としない点でこれを上回った。
• モデルは未知の見かけの平均数に対してロバストであり、1〜10のランダムな見かけの平均数レベルにおいて一貫した性能を示し、盲的な除ノイズ能力を裏付けた。
• 可視化結果から、BDSSはBM3D、PPB、FANSでよく見られる過剰な平滑化アーチファクトを回避し、微細構造と放射計測の一貫性を良好に保持していることが明らかになった。