[论文解读] Exact Solutions of One-Dimensional TGV

Christiane Pöschl, Otmar Scherzer|arXiv (Cornell University)|Sep 27, 2013

Image and Signal Denoising Methods参考文献 12被引用 3

一句话总结

本文推导了一维 TGV（全变分）去噪问题中 $L^2$-TGV 正则化的确切解析解，刻画了 TGV 最小化器与 $L^2$-TV 或 $L^2$-TV$^2$ 最小化器重合的参数区域。研究证明 TGV 解为分段仿射函数，并显式计算了绝对值、指示函数和二次函数数据的最小化器，表明在特定参数条件下，这些解为 TV 与 TV$^2$ 解的加权组合。

ABSTRACT

L2-TGV-regularization has been introduced by Bredies, Kunisch, and Pock. This regularization method requires careful tuning of two regularization parameters. The focus of this paper is to derive analytical results, which allow for characterizing parameter settings, which make this method in fact different from L2-TV (the ROF-model) and L2-TV2 regularization, respectively. In this paper we also provide explicit solutions of TGV-denoising for particular one-dimensional function data.

研究动机与目标

• 刻画正则化参数 $\vec{\lambda} = (\lambda_1, \lambda_2)$ 的集合，使得 TGV 最小化器与 $L^2$-TV 或 $L^2$-TV$^2$ 最小化器完全一致。
• 推导一维测试函数 $|x| - 1/2$、$\mathbf{1}_{[-1/2,1/2]}(x) - 1/2$ 和 $x^2 - 1/3$ 的 TGV 去噪问题的显式解析解。
• 通过凸对偶与 Fenchel 对偶理论分析最小化器，阐明 TGV、TV 与 TV$^2$ 正则化之间的结构性差异。
• 完整刻画 TGV 最小化器严格不同于 TV 与 TV$^2$ 最小化器的参数区域，弥补了先前研究的空白。

提出的方法

• 利用 Fenchel 对偶理论刻画一维 $L^2$-TGV 泛函最小化器的性质，证明其要么等于原始数据，要么为分段仿射线性函数。
• 应用凸对偶理论推导最优性条件与对偶形式，将 TGV 泛函表示为对测试函数 $\phi$ 的上确界，其中 $\phi$ 及其导数 $\phi'$ 的 $L^\infty$ 范数有界。
• 采用假设法构造显式最小化器，通过假设分段仿射结构并匹配对偶函数的极值条件。
• 通过求解对偶函数的一阶或二阶原函数达到极值的临界点，推导出依赖于参数的解。
• 利用原始变量与对偶变量之间的最优性条件 $-\int u(u - u^\delta)\,dx = \lambda_1 \text{TV}^1_1(v_{\mu_1}^1) + \lambda_2 \mu_1 / \|u^\delta\|_{*,\text{TV}_1^1} \cdot \text{TV}^2_1(v_{\mu_2}^2)$ 验证最小化性质。
• 通过将对偶函数的极值与 TGV 参数 $\lambda_1$ 和 $\lambda_2$ 匹配，为三种测试案例构造最小化器，确保满足对偶约束。

实验结果

研究问题

• RQ1 对于哪些参数对 $(\lambda_1, \lambda_2)$，TGV 最小化器与 $L^2$-TV 最小化器完全一致？
• RQ2 对于哪些参数对 $(\lambda_1, \lambda_2)$，TGV 最小化器与 $L^2$-TV$^2$ 最小化器完全一致？
• RQ3 在何种条件下，TGV 最小化器严格不同于 $L^2$-TV 与 $L^2$-TV$^2$ 最小化器？
• RQ4 给定某一数据函数，其 TGV 最小化器能否表示为 $L^2$-TV 与 $L^2$-TV$^2$ 最小化器的加权和？
• RQ5 TGV 最小化器的结构性质（如分段仿射、拐点、跳跃）如何依赖于对偶函数的极值？

主要发现

• 对于绝对值数据 $u^\delta(x) = |x| - 1/2$，TGV 最小化器为 $L^2$-TV 与 $L^2$-TV$^2$ 最小化器的加权和，权重由 $\lambda_1$ 与 $\lambda_2$ 决定。
• 对于指示函数 $u^\delta(x) = \mathbf{1}_{[-1/2,1/2]}(x) - 1/2$，TGV 最小化器同样是 $L^2$-TV 与 $L^2$-TV$^2$ 最小化器的凸组合，且存在明确的参数区域使其等于其中任一者。
• 对于二次函数数据 $u^\delta(x) = x^2 - 1/3$，TGV 最小化器通常无法表示为 $L^2$-TV 与 $L^2$-TV$^2$ 最小化器的和，表明其具有独特的结构性行为。
• TGV 泛函的最小化器为分段仿射线性函数，且仅当对偶函数的一阶或二阶原函数达到极值时才会发生弯曲或跳跃。
• TGV 最小化器严格不同于 TV 与 TV$^2$ 最小化器的参数集合 $\Lambda$ 被显式刻画，其中 $\lambda_1$ 与 $\lambda_2$ 分别受对偶范数 $\|u^\delta\|_{*,\text{TV}_1^1} \approx 0.12$ 与 $\|u^\delta\|_{*,\text{TV}_1^2} = 1/12 \approx 0.0833$ 的限制。
• 在二次函数情形下，当 $\lambda_2$ 降低至 $\bar{\lambda}_2$ 以下时，$L^2$-TV$^2$ 最小化器从 $x=0$ 处的弯曲解转变为在 $x=0$ 处具有平坦区域的分段常数解，其中 $u^\delta(0) = w(0,k)$。