[论文解读] Directional Total Generalized Variation Regularization

Rasmus Dalgas Kongskov, Yiqiu Dong+1 more|arXiv (Cornell University)|Jan 10, 2017

Sparse and Compressive Sensing Techniques参考文献 6被引用 6

一句话总结

本文提出方向性总广义变分（DTGV），一种用于图像复原的新型正则化方法，通过将方向性先验知识融入高阶导数，实现更优的边缘保持与噪声去除。结合方向性总广义变分与最小二乘数据保真项，L²-DTGV模型在方向性纹理中的边缘保持与噪声去除方面优于各向同性正则化方法（如TV与TGV），并具备解的存在性与唯一性理论保证，经数值实验验证，涵盖去噪与去模糊任务。

ABSTRACT

In inverse problems, prior information and a priori-based regularization techniques play important roles. In this paper, we focus on image restoration problems, especially on restoring images whose texture mainly follow one direction. In order to incorporate the directional information, we propose a new directional total generalized variation (DTGV) functional, which is based on total generalized variation (TGV) by Bredies extit{et al}. [SIAM J. Imaging Sci., 3 (2010)]. After studying the mathematical properties of DTGV, we utilize it as regularizer and propose the L$^2$-DTGV variational model for solving image restoration problems. Due to the requirement of the directional information in DTGV, we give a direction estimation algorithm, and then apply a primal-dual algorithm to solve the minimization problem. Experimental results show the effectiveness of the proposed method for restoring the directional images. In comparison with isotropic regularizers like total variation and TGV, the improvement of texture preservation and noise removal is significant.

研究动机与目标

• 解决各向同性正则化方法（如TV与TGV）在纤维增强材料与地震成像等场景中对方向性纹理保持能力不足的问题。
• 通过连续形式将方向性正则化扩展至高阶导数，克服总变差方法中的阶梯效应。
• 在连续设定下建立方向性总广义变分（DTGV）的数学严谨框架，确保理论严谨性。
• 提出一种原始-对偶算法，高效求解L²-DTGV变分模型，实现实际应用。
• 设计一种方向估计算法，为DTGV提供输入，确保其在真实方向性图像复原中的适用性。

提出的方法

• 通过两种等价形式定义方向性总变差（DTV），利用方向导数将各向异性结构嵌入正则化项。
• 通过引入方向性总广义变分（DTGV），将DTV推广至高阶，使方向信息融入一阶与二阶导数。
• 构建L²-DTGV变分模型：最小化最小二乘数据保真项与DTGV正则化项之和，其中包含平衡参数λ。
• 在适当的泛函分析条件下，证明L²-DTGV模型最小化器的存在性与唯一性。
• 实现一种原始-对偶算法求解最小化问题，利用DTGV泛函的结构实现高效计算。
• 集成基于局部结构张量分析的方向估计算法，用于在正则化前确定主导纹理方向。

实验结果

研究问题

• RQ1 方向性信息能否在总广义变分中有效融入高阶导数，而不仅限于一阶总变差？
• RQ2 与各向同性TGV和TV相比，所提出的DTGV正则化在方向性纹理保持与阶梯效应抑制方面表现如何？
• RQ3 DTGV泛函的理论性质为何，例如在变分模型中最小化器的存在性与唯一性？
• RQ4 当方向性信息仅应用于一阶导数时，DTGV与各向异性TGV（ITGV）的性能比较如何？
• RQ5 当方向性先验被违反时可能产生何种伪影，实际中如何缓解？

主要发现

• L²-DTGV模型在去模糊实验中相较各向同性正则化方法（如TV与TGV）显著提升纹理保持与去噪性能，PSNR提升至少2.5 dB。
• 由于引入了二阶方向导数，DTGV能有效抑制斜坡区域的阶梯效应，而DTV与TV则无法实现。
• 所提出的方向估计算法能可靠识别主导纹理方向，使DTGV在真实图像中得到有效应用。
• 当图像结构偏离假设的主方向时，DTGV结果中会出现伪影，尤其在垂直于主方向的区域边界附近。
• 当方向性信息同时应用于一阶与二阶导数时，DTGV优于各向异性TGV（ITGV），证明高阶方向性正则化的优越性。
• 理论分析证实L²-DTGV变分模型的最小化器存在且唯一，确保解的稳定性。