[논문 리뷰] Parameter learning and fractional differential operators: application in image regularization and decomposition

Sören Bartels, Nico Weber|arXiv (Cornell University)|2020. 01. 10.

Numerical methods in inverse problems참고 문헌 17인용 수 5

한 줄 요약

이 논문은 이미지 복원 및 분해에서 분수 미분 연산자의 최적 파arameter를 학습하기 위한 이중 최적화 프레임워크를 제안하며, 효율적인 계산을 위해 푸리에 변환을 활용한다. 이는 ROF 모델보다 빠른 계산을 제공하고 오차 추정을 수행하며, 기존의 변분 모델에 비해 질감 성분 분리 성능을 향상시킨다.

ABSTRACT

In this paper, we focus on learning optimal parameters for PDE-based image regularization and decomposition. First we learn the regularization parameter and the differential operator for gray-scale image denoising using the fractional Laplacian in combination with a bilevel optimization problem. In our setting the fractional Laplacian allows the use of Fourier transform, which enables the optimization of the denoising operator. We prove stable and explainable results as an advantage in comparison to other machine learning approaches. The numerical experiments correlate with our theoretical model setting and show a reduction of computing time in contrast to the ROF model. Second we introduce a new image decomposition model with the fractional Laplacian and the Riesz potential. We provide an explicit formula for the unique solution and the numerical experiments illustrate the efficiency.

연구 동기 및 목표

• 분수 미분 연산자에 대해 PDE 기반 이미지 정규화에서 최적의 정규화 파arameter를 선택하는 데 도전한다.
• 딥 러닝 방법의 한계를 극복하기 위해 변분 정규화와 파arameter 학습을 결합하여 안정성과 오차 경계를 보장한다.
• 분수 라플라스 연산자와 이중 최적화를 사용하여 수치적으로 효율적이고 분석적으로 해석 가능한 이미지 복원 모델을 개발한다.
• 구조적 성분 $ u $ 와 질감 성분 $ v $ 를 분리하기 위해 분수 라플라스 연산자와 리에스 포텐셜을 조합한 새로운 이미지 분해 모델을 제안한다.
• OSV 및 ROF 모델에 비해 질감 복원 및 성분 분리 성능을 향상시킨다.

제안 방법

• 분수 차수 $ s $ 와 정규화 파aram터 $ \alpha $ 를 학습하기 위해 이중 최적화 문제를 설정하며, 복원된 이미지와 진짜 이미지 간의 $ L^2 $-거리 최소화를 목표로 한다.
• 분수 라플라스 연산자의 해 연산자를 효율적으로 계산하기 위해 푸리에 변환을 활용하여 PDE의 빠르고 안정적인 수치적 해를 확보한다.
• 파aram터 제약 조건을 볼록 집합 $ W $ 내에서 유지하기 위해 강력한 볼록 장벽 함수 $ \varphi(s,\alpha) $ 를 정의하여 수치적 안정성을 확보한다.
• 구조적 성분 $ u $ 에 대해 분수 라플라스 연산자와 질감 성분 $ v $ 에 대해 리에스 포텐셜을 사용하는 새로운 이미지 분해 모델을 제안하며, 볼록 에너지 기능을 정의한다.
• 분해 모델에 대해 명시적인 해석적 해를 유도하고 이산 푸리에 변환을 사용하여 수치적으로 검증한다.
• 이중 푸리에 변환 기반 해법을 구현하여 벤치마크 이미지에서 복원 및 분해 작업에 적용한다.

실험 결과

연구 질문

• RQ1 분수 라플라스 연산자와 함께 이중 최적화를 사용할 경우, 기존의 ROF 모델에 비해 안정적이고 해석 가능하며 더 빠른 이미지 복원을 달성할 수 있는가?
• RQ2 푸리에 변환은 분수 미분 연산자에 대한 정규화에서 효율적이고 정확한 파aram터 학습을 어떻게 가능하게 하는가?
• RQ3 분수 라플라스 연산자와 리에스 포텐셜을 조합한 새로운 분해 모델은 OSV 및 ROF 모델에 비해 구조적 및 질감 성분을 더 잘 분리할 수 있는가?
• RQ4 분수 차수 $ s $ 와 정규화 파aram터 $ \alpha $ 를 동시에 학습하는 것이 재구성 품질과 계산 효율성에 어떤 영향을 미치는가?
• RQ5 오차 추정, 안정성, 해석 가능성 측면에서 딥 러닝 접근법에 비해 제안된 방법은 어떻게 비교되는가?

주요 결과

• 제안된 이중 최적화 프레임워크와 분수 라플라스 연산자를 사용하면 ROF 모델 대비 계산 시간이 10~100배 감소한다.
• "kentaur" 이미지에서 구조적 유사도(SSIM)가 분수 라플라스 모델의 0.356에서 제안된 분해 모델의 0.581로 유의미하게 향상된다.
• "pepper" 및 "baboon" 이미지에서 상세 비교를 통해 리에스 기반 분해 모델이 OSV 모델보다 질감 성분 $ v $ 를 더 정확하게 재구성한다.
• 제안된 모델에서 구조적 성분 $ u $ 의 SSIM은 "pepper"에서 0.716, "baboon"에서 0.691을 기록하여 질감 분리 성능에서 OSV 모델을 능가한다.
• 딥 러닝 방법과 달리 엄밀한 오차 추정과 해석 가능한 분석을 제공하면서도 계산 효율성을 유지한다.
• 실험에서 도출된 최적 파aram터는 $ \bar{s}_1 = 0.172 $, $ \bar{\alpha} = 9999.7 $, $ \bar{s}_2 = -0.926 $, $ \bar{\beta} = 10410 $ 로, 이미지 내용과 노이즈 수준에 강한 의존성을 보인다.