[论文解读] A Fast Algorithm for Total Variation Image Reconstruction from Random Projections

Yunhai Xiao, Junfeng Yang|arXiv (Cornell University)|Jan 12, 2010

Sparse and Compressive Sensing Techniques参考文献 35被引用 10

一句话总结

本文提出了一种用于从压缩感知的随机投影中进行总变差（TV）图像重建的快速交替方向法（IADM）。通过利用线性化、邻近技术以及基于快速傅里叶变换（FFT）的高效计算，IADM 在收敛速度和每次迭代的计算成本方面优于现有方法，在数值实验中比 TwIST 更快，同时保持了相当或更优的图像质量和目标函数值。

ABSTRACT

Total variation (TV) regularization is popular in image restoration and reconstruction due to its ability to preserve image edges. To date, most research activities on TV models concentrate on image restoration from blurry and noisy observations, while discussions on image reconstruction from random projections are relatively fewer. In this paper, we propose, analyze, and test a fast alternating minimization algorithm for image reconstruction from random projections via solving a TV regularized least-squares problem. The per-iteration cost of the proposed algorithm involves a linear time shrinkage operation, two matrix-vector multiplications and two fast Fourier transforms. Convergence, certain finite convergence and $q$-linear convergence results are established, which indicate that the asymptotic convergence speed of the proposed algorithm depends on the spectral radii of certain submatrix. Moreover, to speed up convergence and enhance robustness, we suggest an accelerated scheme based on an inexact alternating direction method. We present experimental results to compare with an existing algorithm, which indicate that the proposed algorithm is stable, efficient and competitive with TwIST \cite{TWIST} -- a state-of-the art algorithm for solving TV regularization problems.

研究动机与目标

• 开发一种用于从压缩感知测量中进行总变差（TV）正则化图像重建的快速且稳定的算法。
• 解决现有 TV 求解器在应用于随机投影时计算成本高且收敛速度慢的问题。
• 通过引入线性化和邻近技术的不精确交替方向法，提升收敛速度和鲁棒性。
• 为大规模 TV/L2 问题提供一种计算高效的替代方案，优于当前最先进的算法（如 TwIST）。
• 建立所提算法的理论收敛性质，包括 q-线性收敛和有限收敛。

提出的方法

• 该算法通过使用线性化二次项的不精确交替方向法（IADM）求解 TV 正则化最小二乘问题。
• 每次迭代包括对 TV 项进行软阈值处理（收缩运算）、两次矩阵-向量乘法以及两次快速傅里叶变换（FFT）。
• 通过线性化数据保真项的二次项，避免在每一步求解昂贵的 TV 去噪子问题，从而降低每次迭代的计算成本。
• 引入邻近项以稳定子问题的解，实现不精确子问题求解并保证收敛性。
• 该算法适用于一般压缩感知矩阵，无需结构假设，因此可广泛应用于各类成像问题。
• 收敛性通过子矩阵的谱半径进行分析，在特定条件下建立了 q-线性收敛。

实验结果

研究问题

• RQ1 能否为从随机投影中进行总变差图像重建的压缩感知开发一种快速且可扩展的算法？
• RQ2 与当前最先进的求解器（如 TwIST）相比，所提出的 IADM 方法在收敛速度和图像质量方面表现如何？
• RQ3 线性化和不精确子问题求解对基于 TV 的重建的稳定性与效率有何影响？
• RQ4 所提算法是否实现有限收敛或 q-线性收敛？系统的谱特性如何影响收敛速率？
• RQ5 是否能在保持高重建精度和鲁棒性的前提下降低每次迭代的计算成本？

主要发现

• 在所有测试图像中，IADM 的目标函数值均低于 TwIST，表明其对 TV/L2 能量泛函的最小化效果更优。
• 在所有测试案例中，尽管 IADM 使用了更多次迭代，但由于每次迭代的计算成本显著降低，其 CPU 时间仍低于 TwIST。
• 在 Shepp-Logan 幻像测试中，当 μ=10000 时，IADM 将 CPU 时间从 TwIST 的 245.77 秒降低至 156.98 秒，同时相对误差更低（4.47% vs. 4.59%）。
• 在 brain 1 测试中，IADM 将时间从 TwIST 的 34.25 秒降低至 20.41 秒，且相对误差略优（13.64% vs. 14.01%）。
• 对于 512×512 的 Barbara 图像，IADM 实现了 10% 的时间减少（550.39 秒 vs. 493.20 秒），且相对误差低 0.03%。
• 该算法在多种图像（Cameraman、Lena、Boat 等）上均表现出一致的性能，显示出对更大图像尺寸的鲁棒性和可扩展性。