[论文解读] A Robust Alternating Direction Method for Constrained Hybrid Variational Deblurring Model

Ryan Wen Liu, Tian Xu|arXiv (Cornell University)|Aug 31, 2013

Image and Signal Denoising Methods参考文献 2被引用 3

一句话总结

该论文提出了一种带有框约束的混合非凸总变差模型，结合一阶和二阶总变差正则化项，以改善图像去模糊效果。通过基于ADMM的迭代重加权算法，该方法有效抑制了振铃伪影，同时保留了精细细节，在各种模糊和噪声条件下，定性和定量评估均优于当前最先进方法。

ABSTRACT

In this work, a new constrained hybrid variational deblurring model is developed by combining the non-convex first- and second-order total variation regularizers. Moreover, a box constraint is imposed on the proposed model to guarantee high deblurring performance. The developed constrained hybrid variational model could achieve a good balance between preserving image details and alleviating ringing artifacts. In what follows, we present the corresponding numerical solution by employing an iteratively reweighted algorithm based on alternating direction method of multipliers. The experimental results demonstrate the superior performance of the proposed method in terms of quantitative and qualitative image quality assessments.

研究动机与目标

• 为解决基于凸总变差的去模糊方法存在的局限性，如过度平滑和振铃伪影，通过结合非凸的一阶和二阶总变差正则化项。
• 通过引入一个框约束，将像素值限制在物理动态范围内，以确保图像恢复结果的合理性，从而提升去模糊性能。
• 为从混合变分模型中产生的非凸、约束优化问题，开发一种数值上稳定且高效的求解方法。
• 通过基于局部海森矩阵结构的自适应加权，实现边缘保持与伪影抑制之间的平衡。
• 在无噪声和有噪声的去模糊场景下，验证所提方法相对于现有最先进方法的优越性。

提出的方法

• 所提出的模型结合了非凸的一阶和二阶总变差正则化项与超拉普拉斯先验，利用参数 ν₁ 和 ν₂ 控制伪影抑制与细节保持之间的平衡。
• 对图像强度值施加框约束 [l, u]，以确保物理上合理的解，并防止像素值超出范围。
• 通过当前图像估计的高斯滤波海森矩阵的特征值计算自适应加权函数 ζ，实现区域特定的正则化。
• 通过基于ADMM的迭代重加权算法求解优化问题，其中子问题以闭式解法求解，以提升效率与鲁棒性。
• 算法交替更新图像估计、对偶变量和惩罚参数，确保收敛至稳定解。
• 该方法采用图像退化过程的矩阵-向量表示，其中 H 表示模糊矩阵，g 表示观测到的模糊图像。

实验结果

研究问题

• RQ1 与凸或单阶总变差模型相比，结合一阶和二阶导数的混合非凸总变差模型是否能提升去模糊性能？
• RQ2 在存在振铃伪影和噪声的情况下，引入框约束如何影响去模糊图像的质量与物理合理性？
• RQ3 基于ADMM的迭代重加权算法能否高效求解所得到的非凸、不可微优化问题，且子问题具有闭式解？
• RQ4 在不同退化条件下（如仅模糊或模糊+噪声），一阶与二阶正则化之间的最优平衡（ν₁, ν₂）是什么？
• RQ5 基于局部海森结构的自适应加权函数如何增强纹理和边缘区域的细节保持？

主要发现

• 当 ν₁ = ν₂ = 0.55 时，所提出的 CNCHTV 模型在所有测试图像和退化条件下均达到最佳整体性能，其 MSSIM 分数优于 Krishnan 和 Chan 的方法。
• 在无噪声条件下，该方法显著优于 Krishnan 的方法（后者过度平滑纹理）和 Chan 的方法（后者引入了明显的振铃伪影），更好地保留了精细图像细节。
• 在高斯噪声污染条件下（1%、2%、5%），所提方法保持了更优的视觉质量和细节保真度，而 Krishnan 和 Chan 的方法在噪声水平升高时迅速退化。
• 自适应加权函数 ζ 成功识别出纹理区域和均匀区域，对边缘和细节区域分配更高的权重，从而提升了局部去模糊精度。
• 迭代重加权ADMM算法收敛稳定且高效，子问题可闭式求解，实现了鲁棒且快速的去模糊。
• 表1中的定量结果证实，所提方法在所有测试图像和噪声水平下，MSSIM值均持续高于当前最先进方法。