[论文解读] Poisson noise reduction with non-local PCA

Joseph Salmon, Zachary T. Harmany+2 more|arXiv (Cornell University)|Jun 2, 2012

Image and Signal Denoising Methods参考文献 34被引用 12

一句话总结

本文提出了一种名为泊松非局部主成分分析（Poisson NLPCA）的新颖去噪方法，用于处理光子受限图像，该方法结合了非局部块状处理与泊松-PCA，以应对异方差噪声。通过直接建模泊松统计特性而无需高斯化处理，该方法在极低光照条件下实现了最先进性能，相较于现有方法在准确性和伪影抑制方面均有显著提升。

ABSTRACT

Photon-limited imaging arises when the number of photons collected by a sensor array is small relative to the number of detector elements. Photon limitations are an important concern for many applications such as spectral imaging, night vision, nuclear medicine, and astronomy. Typically a Poisson distribution is used to model these observations, and the inherent heteroscedasticity of the data combined with standard noise removal methods yields significant artifacts. This paper introduces a novel denoising algorithm for photon-limited images which combines elements of dictionary learning and sparse patch-based representations of images. The method employs both an adaptation of Principal Component Analysis (PCA) for Poisson noise and recently developed sparsity-regularized convex optimization algorithms for photon-limited images. A comprehensive empirical evaluation of the proposed method helps characterize the performance of this approach relative to other state-of-the-art denoising methods. The results reveal that, despite its conceptual simplicity, Poisson PCA-based denoising appears to be highly competitive in very low light regimes.

研究动机与目标

• 为解决在夜视、核医学和光谱成像等光子受限成像场景中，由泊松噪声引起的图像去噪挑战。
• 克服标准去噪方法因假设噪声为高斯分布而在光子计数较低时因异方差性而失效的局限性。
• 开发一种直接建模泊松分布数据的方法，无需将其转换为近似高斯分布，以保持统计保真度。
• 将非局部块状表示与泊松-PCA相结合，以提升低信号环境下的去噪性能。
• 证明一种概念上简单的非高斯、基于优化的方法可在极低光照条件下实现具有竞争力的性能。

提出的方法

• 该方法采用泊松主成分分析（Poisson-PCA），即一种适用于指数族分布的PCA变体，用于建模光子受限图像中的潜在强度。
• 采用非局部框架，将图像中相似的图像块分组，以提升表示能力和去噪性能。
• 通过基于泊松似然的数据保真度项构建优化问题，避免使用如Anscombe变换等方差稳定化变换。
• 利用一种迭代牛顿型方法求解非凸最小化问题，通过损失函数的黑塞矩阵与梯度推导出$U$和$V$因子矩阵的闭式更新。
• $U$和$V$的黑塞矩阵为对角矩阵，从而可通过仅求逆对角元素高效计算牛顿步长。
• 引入聚类步骤以分组相似块，降低计算复杂度，同时提升性能。

实验结果

研究问题

• RQ1 非局部块状方法结合泊松-PCA是否能在极低光照、光子受限的成像场景中超越现有去噪方法？
• RQ2 在光子计数较低时，与Anscombe变换等高斯化技术相比，直接建模泊松噪声在去噪准确性方面表现如何？
• RQ3 在泊松分布图像数据的表示中，引入稀疏性与非局部相似性会产生何种影响？
• RQ4 当每个像素的光子数极低时，所提出的Poisson NLPCA方法是否仍能保持高性能，而传统方法已失效？
• RQ5 基于牛顿法的泊松-PCA优化策略能否高效扩展至大尺寸图像块，同时保持收敛性与准确性？

主要发现

• Poisson NLPCA 在光子受限图像去噪任务中实现了最先进性能，尤其在光子计数极少的极低光照条件下表现卓越。
• 与假设噪声为高斯分布或依赖数据变换的标准去噪技术相比，该方法显著减少了伪影。
• 实证评估表明，Poisson NLPCA 在PSNR和视觉质量方面均优于其他最先进方法，尤其在信噪比较低时表现更优。
• 通过利用图像中冗余信息，非局部块分组策略显著提升了去噪性能，即使在低信号条件下亦然。
• 与先进行数据变换的方法相比，直接优化泊松似然可获得比传统方法更精确的强度估计。
• 通过聚类步骤对相似块进行分组，降低了计算复杂度，实现了高效处理，同时未牺牲准确性。