[논문 리뷰] Edge-adaptive l2 regularization image reconstruction from non-uniform Fourier data

Victor Churchill, Richard Archibald외 1명|arXiv (Cornell University)|2018. 11. 20.

Sparse and Compressive Sensing Techniques참고 문헌 35인용 수 6

한 줄 요약

이 논문은 비균일 푸리에 데이터로부터 이미지를 복원하기 위해 가장자리에 적응하는 ℓ₂ 정규화 방법을 제안한다. 단일 ℓ₁ 기반의 가장자리 검출 단계를 통해 가장자리가 아닌 영역에서만 ℓ₂ 정규화가 유도되는 마스크를 생성한다. 이 방법은 반복적으로 재가중된 ℓ₁ 방법보다 더 높은 정확도와 해상도를 확보하면서도, 효율적인 ℓ₂ 최소화 및 공액 기울기 솔버 덕분에 훨씬 더 빠른 성능을 보이며, 대규모 이미지에서는 최대 30배 빠르다.

ABSTRACT

Total variation regularization based on the l1 norm is ubiquitous in image reconstruction. However, the resulting reconstructions are not always as sparse in the edge domain as desired. Iteratively reweighted methods provide some improvement in accuracy, but at the cost of extended runtime. In this paper we examine these methods for the case of data acquired as non-uniform Fourier samples. We then develop a non-iterative weighted regularization method that uses a pre-processing edge detection to find exactly where the sparsity should be in the edge domain. We show that its performance in terms of both accuracy and speed has the potential to outperform reweighted TV regularization methods.

연구 동기 및 목표

• 비균일 푸리에 샘플로부터 이미지를 복원할 때 총 미분(TV) 정규화가 가장자리 도메인에서 희박성(sparse)을 촉진하는 데에 한계가 있음을 다루기 위해.
• 반복적으로 재가중된 ℓ₁ 정규화 방법의 높은 계산 비용과 최적화되지 않은 가장자리 해상도 문제를 해결하기 위해.
• 사전 처리된 가장자리 검출을 활용해 ℓ₂ 정규화를 필요한 곳에만 적용하는 반복이 없는 효율적인 대안을 개발하기 위해.
• 가장자리 영역에서는 피드백 항목에 의존하고, 가장자리가 아닌 영역에서는 경량 정규화를 허용함으로써 노이즈에 대한 강건성을 향상시키기 위해.

제안 방법

• 가장자리 도메인에서 비영일 것으로 예상되는 영역를 식별하기 위해 ℓ₁ 정규화를 사용해 가장자리 검출을 수행하고, 이로부터 이진 마스크를 생성한다.
• 검출된 가장자리를 기반으로 마스크 행렬 M = Mˣ + Mʸ를 구성하여, 가장자리가 아닌 영역에서만 ℓ₂ 정규화가 선택적으로 적용되도록 한다.
• 복원 문제를 반복이 없는 ℓ₂-정규화된 최소 제곱 문제로 공식화한다: f* = argmin_g ||ℱₙg − f̂||₂² + λ||Mg||₂².
• ℓ₂ 부분 문제를 빠르게 수렴할 수 있도록 빠른 공액 기울기 강하 솔버를 활용한다. 이는 ℓ₁ 최소화보다 훨씬 빠른 수렴을 가능하게 한다.
• ℓ₂ 정규화를 직접 적용함으로써 단계별 위상 추출 행렬(Θ*)이 필요 없어지며, 최적화 과정이 단순화된다.
• 가장자리 마스크를 정규화 항목에 통합하여, ℓ₂ 페널티가 희박성이 기대되는 영역에서만 적용되도록 보장한다.

실험 결과

연구 질문

• RQ1 반복이 없는 가장자리에 적응하는 ℓ₂ 정규화 방법이 비균일 푸리에 데이터에 대해 반복적으로 재가중된 ℓ₁ 방법보다 이미지 복원 정확도와 해상도에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 사전 처리된 가장자리 마스크를 사용해 ℓ₂ 정규화를 유도하면 계산 비용을 줄일 수 있을까? 동시에 복원 정밀도는 유지되거나 향상되는가?
• RQ3 기본 TV 및 재가중된 ℓ₁ 방법과 비교해 제안된 방법은 노이즈에 대한 강건성과 가장자리 선명도에서 어떤 성능을 보이는가?
• RQ4 반복적인 ℓ₁ 최소화를 단일 ℓ₂ 해법으로 대체함으로써 대규모 이미지에 대해 상당한 속도 향상을 달성할 수 있는가?
• RQ5 다중 스케일 또는 다중 측정 벡터(MMV) 응용 분야에서 가장자리 마스크를 재사용하거나 일반화할 수 있는 정도는 어느 정도인가?

주요 결과

• 가장자리에 적응하는 ℓ₂ 방법은 합성 및 실제 SAR 데이터 모두에서 반복적으로 재가중된 ℓ₁ 방법보다 더 높은 포인트별 복원 정확도와 더 선명한 가장자리를 확보했다.
• 1025×1025 해상도의 이미지에서 이 방법은 6분 28초 만에 복원을 완료했으며, 반복적으로 재가중된 ℓ₁ 방법(알고리즘 2)은 3시간 이상 소요되어 최대 30배의 속도 향상을 기록했다.
• 129×129 이미지에 대해 가장자리 검출 단계를 포함한 이 방법은 반복적으로 재가중된 ℓ₁ 알고리즘의 단일 반복보다도 더 빠르게 동작했으며, 실행 시간은 각각 5.6초와 4분 10초였다.
• ℓ₂ 정규화의 사용 덕분에 가장자리가 아닌 영역에 대해 더 강한 페널티를 적용할 수 있었고, 이는 고노이즈 수준의 SAR 데이터에서 노이즈 억제 성능을 향상시켰다.
• ℓ₂ 부분 문제에 대해 닫힌 형태의 해가 존재하여, 효율적인 구현이 가능하며 실시간 또는 임베디드 시스템에서의 활용도 가능성이 열렸다.
• 알고리즘 4에서 생성된 가장자리 마스크는 이미지 품질 평가의 교차 검증 도구로 활용될 수 있으며, 사전에 가장자리가 알려져 있는 경우 여러 복원 작업에 재사용될 수 있다.