[论文解读] L0TV: A Sparse Optimization Method for Impulse Noise Image Restoration

Ganzhao Yuan, Bernard Ghanem|arXiv (Cornell University)|Feb 27, 2018

Sparse and Compressive Sensing Techniques参考文献 56被引用 7

一句话总结

本文提出 ℓ₀TV-PADMM，一种用于脉冲噪声图像复原的稀疏优化方法，采用 ℓ₀-范数数据保真项与总变差正则化。通过将非凸问题重述为双凸 MPEC 问题，并利用邻近 ADMM 求解，该方法在边缘保持和受损像素恢复方面显著优于当前最先进的技术（如 AOP 和 PDA）。

ABSTRACT

Total Variation (TV) is an effective and popular prior model in the field of regularization-based image processing. This paper focuses on total variation for removing impulse noise in image restoration. This type of noise frequently arises in data acquisition and transmission due to many reasons, e.g. a faulty sensor or analog-to-digital converter errors. Removing this noise is an important task in image restoration. State-of-the-art methods such as Adaptive Outlier Pursuit(AOP) \cite{yan2013restoration}, which is based on TV with $\ell_{02}$-norm data fidelity, only give sub-optimal performance. In this paper, we propose a new sparse optimization method, called $\ell_0TV$-PADMM, which solves the TV-based restoration problem with $\ell_0$-norm data fidelity. To effectively deal with the resulting non-convex non-smooth optimization problem, we first reformulate it as an equivalent biconvex Mathematical Program with Equilibrium Constraints (MPEC), and then solve it using a proximal Alternating Direction Method of Multipliers (PADMM). Our $\ell_0TV$-PADMM method finds a desirable solution to the original $\ell_0$-norm optimization problem and is proven to be convergent under mild conditions. We apply $\ell_0TV$-PADMM to the problems of image denoising and deblurring in the presence of impulse noise. Our extensive experiments demonstrate that $\ell_0TV$-PADMM outperforms state-of-the-art image restoration methods.

研究动机与目标

• 解决现有基于 TV 的方法在处理脉冲噪声时使用 ℓ₂ 或 ℓ₁ 数据保真项所存在的局限性。
• 开发一种更有效的图像复原框架，以更准确地建模脉冲噪声为稀疏异常值。
• 高效且可靠地求解非凸、非光滑的 ℓ₀-TV 优化问题。
• 通过利用邻域信息准确识别并校正受损像素，从而提升复原质量。

提出的方法

• 将 ℓ₀-TV 优化问题重述为带等式约束的数学规划问题（MPEC），以处理非凸性。
• 应用邻近交替方向乘子法（PADMM）求解等价的 MPEC 问题。
• 引入辅助变量以建模稀疏误差向量，从而实现高效的交替最小化。
• 结合总变差正则化，以在复原图像中保持边缘与分段平滑性。
• 引入邻近项以稳定 ADMM 子问题，并在较弱条件下保证收敛性。
• 通过在各通道上分别进行 ℓ₀-TV 最小化并采用 ℓ₁-范数聚合，将方法扩展至彩色图像。

实验结果

研究问题

• RQ1 与基于 ℓ₂ 或 ℓ₁ 的模型相比，ℓ₀-范数数据保真项是否能提升图像复原中脉冲噪声的去除效果？
• RQ2 如何在保证收敛性的情况下，有效求解非凸、非光滑的 ℓ₀-TV 问题？
• RQ3 所提出的基于 PADMM 的求解器是否在复原质量上优于现有的惩罚分解法与 AOP 方法？
• RQ4 该方法是否能在不依赖噪声掩码先验知识的情况下，准确识别受损像素？
• RQ5 该方法在脉冲噪声下的图像去噪与去模糊任务中表现如何？

主要发现

• ℓ₀TV-PADMM 在基准图像上的峰值信噪比（PSNR）与结构相似性（SSIM）均优于当前最先进的方法（如 AOP 与 PDA）。
• 在基于擦除的去噪任务中，ℓ₀TV-PADMM 在补数残差图中产生更多白色区域，表明其对受损像素的识别能力更优。
• 该方法在灰度与彩色图像上均表现出鲁棒性，彩色图像扩展采用通道独立的 ℓ₀-TV 最小化与 ℓ₁-正则化。
• 运行时间具有竞争力：在 'cameraman' 图像（50% 随机值脉冲噪声）上耗时 14±4 秒，优于 AOP（30±5 秒），并匹配高效求解器 ℓ₁TV-SBM 的性能。
• 邻近 ADMM 求解器收敛稳定，且在性能上优于先前工作中采用的惩罚分解算法。
• 与基于 ℓ₂ 或 ℓ₁ 的替代方法相比，该方法在高噪声场景下能更好地保留细节与边缘。