[论文解读] CLEAR: Covariant LEAst-square Re-fitting with applications to image restoration

Charles‐Alban Deledalle, Nicolas Papadakis+2 more|arXiv (Cornell University)|Jun 16, 2016

Image and Signal Denoising Methods参考文献 42被引用 26

一句话总结

本文提出CLEAR（Covariant LEAst-square Re-fitting），一种新颖的框架，通过利用残差的局部仿射变换对重建信号进行再拟合，以减少图像重建方法中的系统性偏差。该方法保持了原始估计器的雅可比矩阵，确保稳定性与鲁棒性，且无需事先知晓支撑集或跳变位置信息，仅需约2倍至3倍原始算法的计算开销，即可在总变差、非局部均值及其他变分模型中实现性能提升。

ABSTRACT

In this paper, we propose a new framework to remove parts of the systematic errors affecting popular restoration algorithms, with a special focus for image processing tasks. Generalizing ideas that emerged for $\\ell_1$ regularization, we develop an approach re-fitting the results of standard methods towards the input data. Total variation regularizations and non-local means are special cases of interest. We identify important covariant information that should be preserved by the re-fitting method, and emphasize the importance of preserving the Jacobian (w.r.t. the observed signal) of the original estimator. Then, we provide an approach that has a "twicing" flavor and allows re-fitting the restored signal by adding back a local affine transformation of the residual term. We illustrate the benefits of our method on numerical simulations for image restoration tasks.

研究动机与目标

• 解决图像重建中由凸松弛化引入的系统性偏差，例如ℓ1正则化和总变差方法。
• 开发一种再拟合方法，使重建信号更贴近原始数据，同时保持先验所施加的结构特性。
• 克服经典后处理再拟合技术的局限性，这些技术通常需要准确识别非零系数或跳变位置。
• 确保再拟合过程具有协变性——即保持原始估计器对观测信号的雅可比矩阵不变。
• 将再拟合方法推广至广泛的变分模型类别，包括Tikhonov正则化、各向同性总变差、非局部均值、BM3D以及DDID等。

提出的方法

• 提出一种再拟合方案，通过在原始重建信号上添加残差的局部仿射变换，确保与原始估计器对输入信号敏感度的一致性。
• 将再拟合建模为一个约束最小二乘问题，以保持原始正则化结构（如稀疏性或总变差）。
• 采用原始-对偶算法，并通过将投影操作施加于次微分的活动集上，隐式强制执行再拟合约束。
• 通过保持估计器的雅可比矩阵不变，利用再拟合在小扰动下的不变性，确保其稳定性。
• 在原始算法的求解过程中迭代应用该方法，实现联合估计，从而提升鲁棒性。
• 证明再拟合过程收敛至正确解，即在原始-对偶算法中，投影操作最终与原始解的活动集相匹配。

实验结果

研究问题

• RQ1 能否设计一种再拟合方法，在无需显式识别非零系数或跳变位置的情况下，减少图像重建中的偏差？
• RQ2 如何使再拟合过程具有协变性——即保持原始估计器对输入信号的雅可比矩阵不变？
• RQ3 所提出的CLEAR框架是否在稳定性与准确性方面优于经典后处理再拟合技术，特别是在病态或噪声环境下的表现？
• RQ4 该再拟合方法能否推广至广泛的变分模型，包括非凸或非光滑正则化？
• RQ5 与原始重建算法相比，应用CLEAR的计算开销是多少？

主要发现

• CLEAR通过将解向观测数据再拟合，同时保持先验所强制的结构特性，有效减少了重建图像中的偏差。
• 该方法在ℓ1−ℓ2分析模型上的计算开销约为原始算法的2倍，在更复杂的模型（如各向同性总变差或非局部均值）上约为3倍。
• 与经典后处理再拟合不同，CLEAR无需识别解的支撑集或跳变位置，因此对迭代求解器中的数值不准确性更具鲁棒性。
• 对于各向同性总变差模型，CLEAR在边界附近产生的结果优于不变再拟合方法，后者可能放大振荡。
• CLEAR中使用的原始-对偶算法可收敛至正确的再拟合解，其证明基于投影算子最终与原始解的活动集相匹配。
• 数值模拟表明，CLEAR在去噪和去模糊等多种图像重建任务中均提升了图像质量，且在PSNR和视觉保真度方面表现出一致的增益。