[论文解读] Guided Filter based Edge-preserving Image Non-blind Deconvolution

Hang Yang, Ming Zhu+2 more|arXiv (Cornell University)|Sep 7, 2016

Advanced Image Processing Techniques参考文献 6被引用 4

一句话总结

本文提出了一种新颖的非盲反卷积方法，利用引导滤波在图像恢复过程中保留边缘。通过解耦去模糊与去噪步骤，并利用快速傅里叶变换实现高效优化，该方法在边缘保留方面表现优越，并在ISNR指标上优于当前最先进的技术，同时通过不一致性原理自动调整正则化参数。

ABSTRACT

In this work, we propose a new approach for efficient edge-preserving image deconvolution. Our algorithm is based on a novel type of explicit image filter - guided filter. The guided filter can be used as an edge-preserving smoothing operator like the popular bilateral filter, but has better behaviors near edges. We propose an efficient iterative algorithm with the decouple of deblurring and denoising steps in the restoration process. In deblurring step, we proposed two cost function which could be computed with fast Fourier transform efficiently. The solution of the first one is used as the guidance image, and another solution will be filtered in next step. In the denoising step, the guided filter is used with the two obtained images for efficient edge-preserving filtering. Furthermore, we derive a simple and effective method to automatically adjust the regularization parameter at each iteration. We compare our deconvolution algorithm with many competitive deconvolution techniques in terms of ISNR and visual quality.

研究动机与目标

• 为解决在保留锐利边缘的同时恢复模糊且含噪图像的挑战。
• 开发一种高效的迭代反卷积算法，通过分离去模糊与去噪步骤以提升稳定性和性能。
• 将引导滤波集成为恢复流程中稳健的边缘保持平滑算子。
• 在每次迭代中利用不一致性原理自动调整正则化参数。
• 在定量指标与视觉质量方面，实现与现有最先进反卷积方法相当或更优的结果。

提出的方法

• 去模糊步骤中使用两个代价函数：一个采用总变差（TV）正则化，另一个采用Tikhonov正则化，两者均通过FFT在傅里叶域中高效求解。
• TV正则化问题的解作为引导图像，而Tikhonov解则用作去噪步骤中引导滤波的输入。
• 引导滤波以迭代方式应用于Tikhonov解，利用TV解作为引导，从而在降低噪声的同时保留边缘。
• 正则化参数λ通过不一致性原理在每次迭代中自动更新，确保残差误差与预期噪声水平一致。
• 算法在去模糊（基于FFT优化）与去噪（基于引导滤波）之间交替进行，直至收敛。
• 该方法在标准测试图像（Cameraman与House）上进行了评估，采用不同的PSF与噪声水平，引导滤波参数设置为ε = 7.5×10⁻⁴，w = 3。

实验结果

研究问题

• RQ1 引导滤波能否有效集成到迭代非盲反卷积框架中以提升边缘保持效果？
• RQ2 将去模糊与去噪步骤解耦是否能带来优于联合优化的恢复性能？
• RQ3 不一致性原理能否用于在每次迭代中自动确定正则化参数，而无需人工调参？
• RQ4 与ForWaRD、TVS、SV-GSM和L0-AbS等当前最先进的反卷积技术相比，该方法在ISNR与视觉质量方面表现如何？
• RQ5 在图像反卷积背景下，引导滤波是否比其他边缘保持滤波器（如双边滤波）更有效？

主要发现

• 在Cameraman图像上，该方法在测试设置3中实现了9.53 dB的ISNR，优于次优方法L0-AbS的9.10 dB。
• 在House图像上，该方法在测试设置3中实现了11.11 dB的ISNR，超过次优方法SV-GSM的9.04 dB。
• 在测试设置4中，使用5×5运动模糊核与高噪声（σ²=49）时，该方法在House图像上实现了4.84 dB的ISNR，优于TVS的4.49 dB。
• 该算法在256×256图像上每轮迭代耗时0.098秒，30轮迭代总运行时间为2.94秒。
• 视觉对比显示，与竞争方法相比，该方法能更好地保留细小细节与边缘，如面部特征与窗户边缘。
• 正则化参数λ通过不一致性原理在每次迭代中自动调整，无需人工调参。