[论文解读] Blind Deconvolution with Non-local Sparsity Reweighting

Dilip Krishnan, Joan Bruna+1 more|arXiv (Cornell University)|Nov 16, 2013

Sparse and Compressive Sensing Techniques参考文献 21被引用 14

一句话总结

该论文提出了一种新颖的盲反卷积算法，通过引入两种新先验：基于图像块的稀疏性促进以增强潜在图像梯度，以及针对模糊核的频域自适应正则化。通过统一成功MAP与变分方法的原理——特别是稀疏性促进与多尺度估计——该方法在基准数据集上实现了最先进性能，显著优于先前方法，在定量指标与视觉质量方面均表现更优。

ABSTRACT

Blind deconvolution has made significant progress in the past decade. Most successful algorithms are classified either as Variational or Maximum a-Posteriori ($MAP$). In spite of the superior theoretical justification of variational techniques, carefully constructed $MAP$ algorithms have proven equally effective in practice. In this paper, we show that all successful $MAP$ and variational algorithms share a common framework, relying on the following key principles: sparsity promotion in the gradient domain, $l_2$ regularization for kernel estimation, and the use of convex (often quadratic) cost functions. Our observations lead to a unified understanding of the principles required for successful blind deconvolution. We incorporate these principles into a novel algorithm that improves significantly upon the state of the art.

研究动机与目标

• 识别并统一成功盲反卷积算法的核心原理，特别是基于最大后验概率（MAP）与变分方法的算法。
• 通过引入稳健且数据自适应的先验，解决盲反卷积中交替最小化方法的不稳定与次优收敛问题。
• 通过基于图像块的稀疏性与频域正则化，引入几何结构感知能力，提升模糊核估计性能。
• 开发一种方法，在标准基准上超越现有最先进方法，尤其在处理真实世界模糊与噪声方面表现更优。

提出的方法

• 在潜在图像上引入基于图像块的稀疏性促进先验，以增强对关键几何特征的检测，从而提升模糊核估计的准确性。
• 采用基于频域的核先验，自适应地正则化模糊核，以缓解孔径问题并提升稳定性。
• 使用重加权方案增强图像梯度中的稀疏性，提升对噪声与纹理变化的鲁棒性。
• 通过金字塔框架实现多尺度估计，提升数值收敛性并降低陷入局部极小值的风险。
• 在梯度域中结合稀疏性促进正则化与 $ l_2 $-范数正则化以进行核估计，遵循统一的优化框架。
• 借鉴Whyte等人[11]的见解，对似然项进行调整，以扩展方法在平面内旋转模糊情况下的适用性。

实验结果

研究问题

• RQ1 尽管理论基础不同，基于最大后验概率（MAP）与变分方法的最先进盲反卷积算法在成功背后有哪些共同原理？
• RQ2 如何将图像梯度中的稀疏性促进作为有效正则化手段，用于模糊核估计？
• RQ3 非局部稀疏性重加权与频域核先验是否能显著提升恢复性能，超越现有方法？
• RQ4 所提出的先验在多大程度上降低了对初始化与真实世界模糊图像中噪声的敏感性？
• RQ5 与谱分析或基于Radon的方法等替代方法相比，该方法在性能与鲁棒性方面表现如何？

主要发现

• 所提算法在Levin等人[17]提供的标准基准数据集上显著优于当前最先进方法，在PSNR与视觉质量方面均表现更优。
• 图像梯度中的稀疏性促进是实现准确模糊核估计的关键，即使在高度振荡的纹理或高噪声条件下亦然。
• 基于图像块的稀疏性与频域核正则化的结合，可产生更稳定且一致的核估计，有效减少振铃与伪影。
• 该方法在具有复杂模糊与噪声的真实世界图像上表现稳健，尤其在Xu等人[9]的方法出现显著振铃现象时仍表现优异。
• 理论分析表明，该方法对潜在图像估计误差具有鲁棒性，误差界随噪声与模型不确定性增加而有利地增长。
• 尽管采用更简单且更易解释的框架，该算法在相同基准上仍与Wipf与Zhang[10]的方法性能相当或更优。