[论文解读] Convolutional Sparse Coding: Boundary Handling Revisited

Brendt Wohlberg, Paul Rodríguez|arXiv (Cornell University)|Jul 20, 2017

Advanced Data Compression Techniques参考文献 7被引用 5

一句话总结

本文指出，在卷积稀疏编码（CSC）中，基于掩码的边界处理方法（如掩码解耦（MD）和加性掩码模拟（AMS））即使在使用零填充初始化时，仍会因频域收敛缓慢而产生持续的边界伪影。作者证明，对称扩展初始化可显著减少这些伪影，从而在图像去模糊任务中提升重建质量，并提供了理论与实证证据，说明尽管采用了掩码，标准初始化策略仍会失效。

ABSTRACT

Two different approaches have recently been proposed for boundary handling in convolutional sparse representations, avoiding potential boundary artifacts arising from the circular boundary conditions implied by the use of frequency domain solution methods by introducing a spatial mask into the convolutional sparse coding problem. In the present paper we show that, under certain circumstances, these methods fail in their design goal of avoiding boundary artifacts. The reasons for this failure are discussed, a solution is proposed, and the practical implications are illustrated in an image deblurring problem.

研究动机与目标

• 调查基于掩码的CSC边界处理方法为何在理论上预期能消除边界伪影的情况下，仍无法完全消除这些伪影。
• 分析为何掩码解耦（MD）和加性掩码模拟（AMS）方法在特定初始化条件下仍会产生边界伪影。
• 评估初始化策略（尤其是零填充与对称扩展）对边界收敛速度和伪影形成的影响。
• 提出一种实用解决方案，通过修改ADMM算法的初始化方式，有效抑制基于CSC的图像去模糊中的边界伪影。

提出的方法

• 本文采用带约束的ADMM框架对掩码CSC问题进行建模，引入辅助变量以将空间掩码与卷积算子解耦。
• 采用掩码解耦（MD）方法，将问题重述为掩码作用于独立变量的形式，从而可在频域求解卷积部分。
• 应用ADMM算法，对系数图、辅助变量和对偶变量进行更新，其中掩码矩阵W通过频域中的线性系统处理。
• 比较两种初始化策略：对输入信号进行零填充，以及对输入信号进行对称扩展，以改善边界处的收敛性。
• 使用512×512的Lena图像进行高斯模糊反卷积问题的实证评估，比较不同初始化方法的性能。
• 通过PSNR量化重建质量，并通过边界区域的视觉检查评估伪影的存在。

实验结果

研究问题

• RQ1 为何CSC中的基于掩码的边界处理方法在掩码数据保真项后，仍会产生可见的边界伪影？
• RQ2 ADMM算法的初始化选择如何影响边界处的收敛速度和伪影形成？
• RQ3 在掩码CSC中，对输入信号进行对称扩展是否比零填充初始化更有效地抑制边界伪影？
• RQ4 初始化策略在基于CSC的图像去模糊任务中对最终PSNR的影响程度如何？

主要发现

• 采用零填充初始化的MD算法在图8(c)的右下角图像区域中产生显著的边界伪影，视觉检查可明显观察到。
• 零填充初始化（CSC-zp）的PSNR为29.90 dB，显著低于对称扩展初始化（CSC-se）的30.41 dB。
• 对称扩展初始化可加快边界收敛速度，并有效抑制伪影，即使掩码已将边界区域从数据保真项中排除。
• 零填充初始化的失败归因于频域收敛缓慢，而ADMM更新结构进一步加剧了该问题。
• 结果表明，初始化选择对边界性能具有决定性影响，这与“仅靠掩码设计即可抑制伪影”的直觉相矛盾。
• 所提出的对称扩展初始化方法在PSNR上达到与SOTA方法EPLL（30.60 dB）相当的水平，优于TV（30.17 dB）和CSC-zp。