[논문 리뷰] Graph Laplacian Regularization for Inverse Imaging: Analysis in the Continuous Domain.

Jiahao Pang, Gene Cheung|arXiv (Cornell University)|2016. 04. 27.

Sparse and Compressive Sensing Techniques참고 문헌 37인용 수 16

한 줄 요약

이 논문은 역영상 문제에서 그래프 라플라시안 정규화의 연속 도메인 분석을 제공하며, 국소적 영상 구조에 적응하는 메트릭 공간 노름으로 수렴함을 보여준다. 픽셀 패치 이웃을 리만 다양체로 모델링함으로써, 저자들은 영상 정화를 위한 최적의 그래프 라플라시안 정규화자를 유도하며, 특히 조각별로 스무스한 영상에서 최신 기법들을 능가한다. 또한 정규화를 이방성 확산으로 해석한다.

ABSTRACT

Inverse imaging problems are inherently under-determined, and hence it is important to employ appropriate image priors for regularization. One recent popular prior---the graph Laplacian regularizer---assumes that the target pixel patch is smooth with respect to an appropriately chosen graph. However, the mechanisms and implications of imposing the graph Laplacian regularizer on the original inverse problem are not well understood. To address this problem, in this paper we interpret neighborhood graphs of pixel patches as discrete counterparts of Riemannian manifolds and perform analysis in the continuous domain, providing insights into several fundamental aspects of graph Laplacian regularization. Specifically, we first show the convergence of the graph Laplacian regularizer to a continuous-domain functional, integrating a norm measured in a locally adaptive metric space. Focusing on image denoising, we derive an optimal metric space assuming nonlocal self-similarity of pixel patches, leading to an optimal graph Laplacian regularizer for denoising in the discrete domain. We then interpret graph Laplacian regularization as an anisotropic diffusion scheme to explain its behavior during iterations, e.g., its tendency to promote piecewise smooth signals under certain settings. To verify our analysis, an iterative image denoising algorithm is developed. Experimental results show that our algorithm performs competitively with state-of-the-art denoising methods such as BM3D for natural images, and outperforms them significantly for piecewise smooth images.

연구 동기 및 목표

• 그래프 라플라시안 정규화의 이론적 메커니즘과 영향을 역영상 문제에서 이해하는 것.
• 픽셀 패치의 이웃 그래프를 연속 도메인에서 리만 다각체의 이산 근사로 해석하는 것.
• 패치의 비국소적 자기유사성에 기반한 최적의 메트릭 공간을 도출하여 영상 정화에 활용하는 것.
• 그래프 라플라시안 정규화를 이방성 확산으로 재해석하고, 그 반복적 행동을 설명하는 것.
• 새로운 반복적 정화 알고리즘을 개발하고 벤치마크 성능을 검증함으로써 이론적 분석을 검증하는 것.

제안 방법

• 픽셀 패치 이웃을 리만 다각체로 모델링하고, 그래프 라플라시안을 연속 미분 연산자의 이산 근사로 분석하는 것.
• 그래프 라플라시안 정규화자가 국소적으로 적응하는 메트릭 공간의 노름을 통합하는 연속 기능으로 수렴함을 증명하는 것.
• 영상 패치의 비국소적 자기유사성을 활용하여 정화를 위한 최적의 메트릭 공간을 유도하는 것.
• 유도된 최적의 메트릭에 기반한 이산 그래프 라플라시안 정규화자를 도출하고, 역영상 문제에 적용하는 것.
• 정규화 과정을 이방성 확산으로 재해석하여, 조각별로 스무스한 해를 선호하는 이유를 설명하는 것.
• 이론적 통찰에 기반한 반복적 정화 알고리즘을 개발하고, 경험적으로 검증하는 것.

실험 결과

연구 질문

• RQ1 그래프 라플라시안 정규화자는 연속 도메인에서 어떻게 행동하며, 어떤 기능을 근사하는가?
• RQ2 패치의 비국소적 자기유사성을 활용할 때, 영상 정화를 위한 최적의 메트릭 공간은 무엇인가?
• RQ3 그래프 라플라시안 정규화는 이방성 확산과 어떻게 관련되어 있으며, 조각별로 스무스한 해를 선호하는 이유는 무엇인가?
• RQ4 이론적으로 탄탄한 그래프 라플라시안 정규화자가 기존 최신 기법들을 능가할 수 있는가?
• RQ5 이산 그래프 라플라시안은 그 연속 도메인 대응체로 수렴하는가?

주요 결과

• 그래프 라플라시안 정규화자는 영상 패치 구조에서 유도된 국소적으로 적응하는 메트릭 공간의 노름을 통합하는 연속 기능으로 수렴한다.
• 정화를 위한 최적의 메트릭 공간은 비국소적 자기유사성에서 도출되며, 이는 향상된 이산 그래프 라플라시안 정규화자를 이끈다.
• 그래프 라플라시안 정규화는 분석적으로 이방성 확산으로 해석되며, 적절한 설정에서 조각별로 스무스한 신호를 선호하는 이유를 설명한다.
• 제안된 반복적 정화 알고리즘은 자연 영상에서 BM3D와 경쟁 가능한 성능을 달성하며, 뛀난 일반화 능력을 보여준다.
• 이론적 설계를 검증하기 위해, 알고리즘이 조각별로 스무스한 영상에서 BM3D 및 기타 최신 기법들을 크게 능가한다.
• 이론적 프레임워크는 이산 그래프 구조와 연속 미분 기하학 사이의 관계를 체계적으로 이해할 수 있도록 한다.