[论文解读] Deep BCD-Net Using Identical Encoding-Decoding CNN Structures for Iterative Image Recovery

Il Yong Chun, Jeffrey A. Fessler|arXiv (Cornell University)|Feb 20, 2018

Sparse and Compressive Sensing Techniques参考文献 18被引用 8

一句话总结

本文提出 Deep BCD-Net，一种使用相同编码-解码 CNN 结构的循环神经网络，以提升极端计算成像中的迭代图像恢复性能。通过使用 ADMM 进行训练并利用编码与解码过程中的共享滤波器，该方法在低信噪比去噪和 10% 采样率的 MRI 重建中，相比先前的 BCD-Net 变体及传统小波-TV 模型，实现了显著更高的重建精度。

ABSTRACT

In "extreme" computational imaging that collects extremely undersampled or noisy measurements, obtaining an accurate image within a reasonable computing time is challenging. Incorporating image mapping convolutional neural networks (CNN) into iterative image recovery has great potential to resolve this issue. This paper 1) incorporates image mapping CNN using identical convolutional kernels in both encoders and decoders into a block coordinate descent (BCD) signal recovery method and 2) applies alternating direction method of multipliers to train the aforementioned image mapping CNN. We refer to the proposed recurrent network as BCD-Net using identical encoding-decoding CNN structures. Numerical experiments show that, for a) denoising low signal-to-noise-ratio images and b) extremely undersampled magnetic resonance imaging, the proposed BCD-Net achieves significantly more accurate image recovery, compared to BCD-Net using distinct encoding-decoding structures and/or the conventional image recovery model using both wavelets and total variation.

研究动机与目标

• 解决极端计算成像中测量数据严重欠采样或噪声干扰下的准确且高效图像恢复挑战。
• 克服先前 BCD-Net 方法中使用不同编码-解码 CNN 所导致的表征能力有限问题，这些方法未能充分捕捉训练数据的丰富性。
• 通过在块坐标下降框架中于编码器与解码器路径中使用相同的卷积核，提升收敛速度与重建精度。
• 利用交替方向乘子法（ADMM）实现图像映射网络的端到端训练，以确保优化过程的稳定与高效。

提出的方法

• 提出一种新型 BCD-Net 架构，其在编码器与解码器分支中均使用相同的卷积核，以增强特征表征能力并提高参数效率。
• 采用包含两个变量（信号 x 和辅助变量 z）的块坐标下降（BCD）优化框架，二者通过数据保真项与正则化项关联。
• 在每一层引入一个可学习的图像映射网络，定义为卷积、软阈值处理与转置卷积的叠加，且使用共享滤波器。
• 应用交替方向乘子法（ADMM）实现网络的端到端训练，确保优化过程中的收敛性与稳定性。
• 在复数域中使用复数运算与软阈值处理，以有效处理成像信号中的相位与振幅信息。
• 为 ADMM 框架中的子问题推导出闭式解，以加速训练并提升可扩展性。

实验结果

研究问题

• RQ1 在基于 BCD 的迭代网络中，使用相同编码-解码 CNN 结构是否能相比不同结构提升图像恢复性能？
• RQ2 在编码器与解码器路径中使用共享滤波器是否能带来更优的特征学习与训练数据表征？
• RQ3 基于 ADMM 的网络训练是否能在图像恢复任务中实现更快的收敛速度与更高的精度？
• RQ4 所提出的 BCD-Net 与使用小波和总变差的常规模型相比，在低信噪比去噪与高度欠采样 MRI 中表现如何？
• RQ5 增加网络层数对所提框架中重建精度与 PSNR 提升的影响是什么？

主要发现

• 在低信噪比图像去噪（σ = 30）任务中，所提出的 BCD-Net 相较于使用不同结构的 BCD-Net，PSNR 提升达 0.92–1.32 dB。
• 在 10% 采样率的 MRI 重建中，随着网络层数增加，所提方法与先前 BCD-Net 的 PSNR 差距持续扩大，最高可达 0.92 dB。
• 仅使用 10 层，所提 BCD-Net 相较于传统小波-TV 模型实现 5 dB 的 PSNR 提升，表明其在极少迭代次数下仍具备卓越的重建精度。
• 相同的编码-解码结构有助于更优的特征学习，因为滤波器能更有效地适应训练数据，优于使用不同结构的基线模型。
• 基于 ADMM 的训练框架确保了稳定的收敛性，并支持图像映射网络的端到端优化。
• 该方法对径向或螺旋状 MRI 中的混叠伪影以及稀疏视角 CT 中的条纹伪影具有良好的处理效果，但未来工作仍需进一步验证其有效性。