[论文解读] Fast and Accurate Poisson Denoising with Optimized Nonlinear Diffusion

Wensen Feng, Yunjin Chen|arXiv (Cornell University)|Oct 10, 2015

Image and Signal Denoising Methods参考文献 19被引用 3

一句话总结

本文提出了一种快速且精确的泊松去噪方法，采用优化的可训练非线性反应扩散（TRDPD）模型，联合学习针对泊松噪声统计特性的线性滤波器与非线性影响函数。该方法通过高效的GPU并行推理，在512×512图像上实现不到0.1秒的去噪速度，兼具高精度与极快的计算速度。

ABSTRACT

The degradation of the acquired signal by Poisson noise is a common problem for various imaging applications, such as medical imaging, night vision and microscopy. Up to now, many state-of-the-art Poisson denoising techniques mainly concentrate on achieving utmost performance, with little consideration for the computation efficiency. Therefore, in this study we aim to propose an efficient Poisson denoising model with both high computational efficiency and recovery quality. To this end, we exploit the newly-developed trainable nonlinear reaction diffusion model which has proven an extremely fast image restoration approach with performance surpassing recent state-of-the-arts. We retrain the model parameters, including the linear filters and influence functions by taking into account the Poisson noise statistics, and end up with an optimized nonlinear diffusion model specialized for Poisson denoising. The trained model provides strongly competitive results against state-of-the-art approaches, meanwhile bearing the properties of simple structure and high efficiency. Furthermore, our proposed model comes along with an additional advantage, that the diffusion process is well-suited for parallel computation on GPUs. For images of size $512 imes 512$, our GPU implementation takes less than 0.1 seconds to produce state-of-the-art Poisson denoising performance.

研究动机与目标

• 为解决现有最先进泊松去噪方法中计算效率不足的问题，这些方法更注重精度而非速度。
• 开发一种去噪模型，在保持高图像重建质量的同时实现极低的推理时间。
• 利用可训练非线性反应扩散框架处理泊松噪声，通过泊松统计特性优化滤波器与影响函数。
• 通过利用模型的简单卷积结构，实现在GPU上的高效并行计算。
• 为医学成像、显微镜成像和夜视等实时应用提供实用解决方案，其中速度与精度均至关重要。

提出的方法

• 该方法将可训练非线性反应扩散模型表述为带有学习激活函数的循环卷积网络，取代标准的固定激活函数。
• 基于泊松噪声分布推导能量泛函，并通过端到端训练优化模型参数（滤波器与影响函数）。
• 影响函数被学习为非线性自适应函数，根据局部图像梯度与强度控制扩散强度。
• 模型采用少量显式扩散步骤，实现快速推理与适合GPU加速的高并行性。
• 训练过程显式考虑信号依赖的泊松噪声，避免使用会降低低强度下性能的方差稳定变换。
• 最终模型实现为轻量级、可微分架构，通过迭代、空间自适应的扩散过程完成去噪。

实验结果

研究问题

• RQ1 可训练非线性扩散模型能否被有效优化以实现泊松去噪的高精度与低计算成本？
• RQ2 与最先进方法相比，基于泊松特异性统计训练的扩散模型在PSNR与SSIM指标上的表现如何？
• RQ3 该模型的简单结构与卷积操作在多大程度上可实现高效GPU并行化，以支持实时推理？
• RQ4 与基于VST的方法相比，避免使用方差稳定变换（如Anscombe变换）是否能在低信号强度下取得更好性能？
• RQ5 在扩散框架中联合优化滤波器与影响函数，能否超越使用固定激活函数的标准CNN在去噪质量上的表现？

主要发现

• 对于峰值强度为4的512×512图像，GPU优化的TRDPD模型推理时间小于0.1秒，显著优于基于CPU的竞争对手。
• 在标准测试集上，使用7×7滤波器的TRDPD在图像8（峰值=40）上达到PSNR 29.06与SSIM 0.809，优于BM3D与NLSPCA。
• 在图像7（峰值=20）上，TRDPD达到PSNR 27.01与SSIM 0.856，两项指标均优于BM3D与NLSPCA。
• 在所有测试图像与噪声水平下，该模型的性能始终优于BM3D与NLSPCA，尤其在低峰值场景中，VST方法表现失效时优势更为明显。
• TRDPD模型在多种图像类型与噪声水平下表现出强泛化能力，无需图像特定调优即可保持高精度。
• 该模型的简单卷积结构支持高效GPU并行化，适用于医学与科学成像中的实时应用。