[论文解读] FRIST - Flipping and Rotation Invariant Sparsifying Transform Learning and Applications

Bihan Wen, Saiprasad Ravishankar+1 more|arXiv (Cornell University)|Nov 19, 2015

Sparse and Compressive Sensing Techniques参考文献 41被引用 6

一句话总结

该论文提出FRIST，一种翻转与旋转不变的稀疏化变换学习框架，通过共享父变换经旋转和翻转操作生成的结构化变换集合来建模自然图像块。该方法实现了高效且收敛的优化，具备最优更新策略，在稀疏图像表示、去噪、图像修复及压缩感知磁共振成像（MRI）重建任务中表现优异，相较于SOTA方法如PANO和TL-MRI，PSNR最高提升0.8 dB。

ABSTRACT

Features based on sparse representation, especially using the synthesis dictionary model, have been heavily exploited in signal processing and computer vision. However, synthesis dictionary learning typically involves NP-hard sparse coding and expensive learning steps. Recently, sparsifying transform learning received interest for its cheap computation and its optimal updates in the alternating algorithms. In this work, we develop a methodology for learning Flipping and Rotation Invariant Sparsifying Transforms, dubbed FRIST, to better represent natural images that contain textures with various geometrical directions. The proposed alternating FRIST learning algorithm involves efficient optimal updates. We provide a convergence guarantee, and demonstrate the empirical convergence behavior of the proposed FRIST learning approach. Preliminary experiments show the promising performance of FRIST learning for sparse image representation, segmentation, denoising, robust inpainting, and compressed sensing-based magnetic resonance image reconstruction.

研究动机与目标

• 解决单一自适应变换在稀疏表示多样化图像特征（尤其是多方向纹理）方面的局限性。
• 通过在多个变换中强制施加几何对称性（翻转与旋转），减少非结构化变换学习中的过拟合问题。
• 开发一种高效且收敛的算法，用于学习具有结构化的稀疏化变换，使其在图像块间具有更好的泛化能力。
• 利用学习到的FRIST作为正则化项，提升图像去噪、图像修复及压缩感知MRI重建等反问题的性能。

提出的方法

• 定义FRIST模型，通过90°旋转和水平/垂直翻转从单一父变换生成多个变换。
• 提出一种交替优化算法用于FRIST学习，对父变换和稀疏系数均采用闭式最优更新。
• 引入块坐标最小化框架，交替更新每个变换的稀疏系数并优化父变换。
• 对变换域系数施加基于ℓ₀范数的稀疏性约束，每个变换的稀疏度固定为s。
• 通过子问题的凸性及标准假设下的全局收敛性证明，确保算法收敛。
• 在反问题（如MRI重建）中应用学习到的FRIST作为正则化项，采用固定变换对块内所有图像块进行一致更新。

实验结果

研究问题

• RQ1 在学习的稀疏化变换中强制施加翻转与旋转不变性，是否能提升具有方向性特征的自然图像的稀疏表示性能？
• RQ2 与现有自适应变换及字典学习方法相比，FRIST学习是否能在去噪、图像修复及压缩感知MRI重建等图像恢复任务中实现更优性能？
• RQ3 与具有大量自由参数的非结构化变换学习相比，FRIST中结构化的变换集合如何减少过拟合？
• RQ4 几何对称性约束对学习算法的收敛性与鲁棒性有何影响？
• RQ5 在反成像问题中，FRIST是否能作为比单一自适应变换或学习字典更有效的正则化项？

主要发现

• 在压缩感知MRI重建中，FRIST相较于PANO方法平均提升0.8 dB PSNR，相较于PBDWS方法提升0.5 dB。
• FRIST-MRI重建在平均性能上优于TL-MRI 0.2 dB，表明结构化变换作为正则化项优于单一自适应方形变换。
• 对于图像3在2.5×欠采样条件下，FRIST-MRI达到36.7 dB PSNR，超过次优方法DL-MRI（36.6 dB），显著优于零填充方法（24.9 dB）。
• FRIST重建的误差图显示伪影更少，尤其在曲线边界处，表明结构保真度更高。
• FRIST算法收敛稳定，对初始化不敏感，在多个测试案例中均观察到实际收敛。
• 通过标准图像数据集上的分割与去噪实验验证，FRIST能有效实现方向性纹理与边缘的稀疏表示。