[论文解读] Hierarchical Bayesian sparse image reconstruction with application to MRFM

Nicolas Dobigeon, Alfred O. Hero+1 more|Open Archive Toulouse Archive Ouverte (University of Toulouse)|Sep 22, 2008

Sparse and Compressive Sensing Techniques被引用 4

一句话总结

本文提出了一种用于MRFM成像的分层贝叶斯稀疏图像重建方法，采用零点处的点质量与正指数分布的混合先验，以强制实现稀疏性和非负性。通过使用吉布斯采样并结合完全贝叶斯超参数边际化，该方法实现了完整的后验推断，在高信噪比下优于现有稀疏重建技术，该方法在烟草病毒的合成数据和真实MRFM数据上均得到验证。

ABSTRACT

This paper presents a hierarchical Bayesian model to reconstruct sparse images when the observations are obtained from linear transformations and corrupted by an additive white Gaussian noise. Our hierarchical Bayes model is well suited to such naturally sparse image applications as it seamlessly accounts for properties such as sparsity and positivity of the image via appropriate Bayes priors. We propose a prior that is based on a weighted mixture of a positive exponential distribution and a mass at zero. The prior has hyperparameters that are tuned automatically by marginalization over the hierarchical Bayesian model. To overcome the complexity of the posterior distribution, a Gibbs sampling strategy is proposed. The Gibbs samples can be used to estimate the image to be recovered, e.g. by maximizing the estimated posterior distribution. In our fully Bayesian approach the posteriors of all the parameters are available. Thus our algorithm provides more information than other previously proposed sparse reconstruction methods that only give a point estimate. The performance of our hierarchical Bayesian sparse reconstruction method is illustrated on synthetic and real data collected from a tobacco virus sample using a prototype MRFM instrument.

研究动机与目标

• 解决从MRFM成像中线性、噪声观测数据重建天然稀疏且非负图像的挑战。
• 克服现有稀疏贝叶斯反卷积方法中超参数调优不稳定的缺陷。
• 开发一个完全贝叶斯框架，提供所有参数的完整后验分布，而不仅仅是点估计。
• 通过边际化实现自动超参数估计，避免依赖惩罚似然或经验贝叶斯方法。

提出的方法

• 提出一种分层贝叶斯模型，其先验结合了零点处的点质量与正指数分布，以在图像像素中强制实现稀疏性和非负性。
• 为超参数引入共轭先验，以实现完全贝叶斯推断和自动超参数边际化。
• 采用吉布斯采样生成后验样本，从而通过后验众数或均值估计图像及所有未知参数。
• 采用高效的递归计算策略，避免在每次吉布斯迭代中重新计算双线性观测算子 T(κ, x)，显著提升计算效率。
• 对像素状态采样采用伯努利-截断正态分布，并引入辅助变量以处理混合结构。
• 推导出一种模拟方案，利用观测模型的线性结构，在吉布斯采样过程中逐步更新 T(κ, x)。

实验结果

研究问题

• RQ1 与现有的惩罚似然或经验贝叶斯方法相比，具有自动超参数调优的分层贝叶斯模型是否能改善MRFM中的稀疏图像重建？
• RQ2 所提出的混合先验（结合零点处的点质量与正指数分布）在图像重建中如何增强稀疏性和非负性的强制实现？
• RQ3 与传统稀疏反卷积方法的点估计相比，吉布斯采样生成的完整后验推断在多大程度上提供更稳健、更丰富的估计？
• RQ4 在重建烟草病毒的真实MRFM数据时，该方法表现如何，特别是在以往方法失效的高信噪比条件下？
• RQ5 能否有效利用观测算子 T(κ, x) 的递归计算，以降低大规模图像重建中吉布斯采样的计算成本？

主要发现

• 所提出的分层贝叶斯方法在高信噪比下比现有惩罚似然方法提供更稳定、更精确的图像重建，尤其在以往方法表现出不稳定的区域。
• 通过第二层结构实现的超参数自动边际化，消除了对迭代优化或调优的需求，提升了方法的鲁棒性。
• 吉布斯采样生成了所有参数（包括图像、噪声方差和超参数）的完整后验分布，相比点估计提供了更丰富的推断信息。
• 对双线性观测算子的递归更新策略降低了计算成本，使得即使在大图像上也能实现高效采样。
• 在烟草病毒的真实MRFM数据上，该方法成功恢复了精细的结构细节，相比基线方法具有更高的对比度和更低的噪声。
• 与标准的拉普拉斯或高斯混合先验相比，结合零点处点质量与正指数先验能更准确地捕捉MRFM图像的天然稀疏性和非负性。