[论文解读] Hypoelliptic diffusion and human vision

Ugo Boscain, Jean-Paul Gauthier+2 more|arXiv (Cornell University)|Apr 7, 2013

Image and Signal Denoising Methods被引用 1

一句话总结

本文提出了一种基于群 $SE(2,N)$ 的半离散神经几何模型，用于人类视觉，结合平移与离散旋转，将修补问题简化为可并行化的马修类型扩散过程。该方法通过 $SE(2,N)$ 上的调和分析实现高效、有限维的图像修补，能够在严重损坏的输入图像上实现鲁棒的图像重建。

ABSTRACT

This paper presents a semi-discrete alternative to the theory of neurogeometry of vision, due to Citti, Petitot and Sarti. We propose a new ingredient, namely working on the group of translations and discrete rotations $SE(2,N)$. The theoretical side of our study relates the stochastic nature of the problem with the Moore group structure of $SE(2,N)$. Harmonic analysis over this group leads to very simple finite dimensional reductions. We then apply these ideas to the inpainting problem which is reduced to the integration of a completely parallelizable finite set of Mathieu-type diffusions (indexed by the dual of $SE(2,N)$ in place of the points of the Fourier plane, which is a drastic reduction). The integration of the the Mathieu equations can be performed by standard numerical methods for elliptic diffusions and leads to a very simple and efficient class of inpainting algorithms. We illustrate the performances of the method on a series of deeply corrupted images.

研究动机与目标

• 开发一种对 Citti、Petitot 和 Sarti 的连续神经几何视觉理论的半离散替代方法。
• 利用群 $SE(2,N)$ 建模视觉感知，整合离散旋转与平移。
• 通过利用 $SE(2,N)$ 的莫尔群结构，降低图像修补的复杂度。
• 通过有限维调和分析，实现图像恢复的高效并行计算。
• 通过马修类型扩散的数值积分，展示该方法在深度损坏图像上的有效性。

提出的方法

• 该研究在群 $SE(2,N)$ 上建模视觉处理，该群结合了离散旋转与平移，以捕捉初级视觉皮层中的神经处理过程。
• 利用 $SE(2,N)$ 的莫尔群结构，将视觉中的随机过程与该群上的调和分析联系起来。
• $SE(2,N)$ 上的调和分析导致有限维约化，简化了视觉过程的表示。
• 修补问题被重新表述为对 $SE(2,N)$ 的对偶群索引的有限组马修类型扩散的积分，取代了连续傅里叶平面。
• 每个扩散通过标准椭圆扩散数值方法独立求解，实现完全并行化。
• 由此产生的算法通过这些扩散所建模的皮层样神经通路，传播信息以重建缺失的图像区域。

实验结果

研究问题

• RQ1 如何在使用 $SE(2,N)$ 的半离散设置中重新表述视觉的神经几何？
• RQ2 $SE(2,N)$ 的莫尔群结构对建模视觉感知中的随机过程有何影响？
• RQ3 $SE(2,N)$ 上的调和分析能否在图像修补中实现有限维约化？
• RQ4 修补问题在多大程度上可以分解为由 $SE(2,N)$ 的对偶群索引的可并行化扩散？
• RQ5 该方法在恢复深度损坏图像方面的有效性如何？

主要发现

• 使用 $SE(2,N)$ 通过用离散对偶群替代连续傅里叶平面，显著降低了计算复杂度。
• 图像修补问题被简化为求解一组有限且可并行化的马修类型扩散。
• 该方法在严重损坏的图像上实现了高质量的图像重建，表现出对深度数据丢失的鲁棒性。
• 解的有限维特性使得可使用标准椭圆扩散数值方法实现高效的数值积分。
• 该方法通过群论调和分析，提供了一种数学上严谨且生物学上合理的皮层视觉处理模型。
• 由此产生的修补算法简单、高效且完全可并行化，支持实时或近实时性能。