[论文解读] Image denoising via group sparsity residual constraint

Zhiyuan Zha, Xin Liu+8 more|arXiv (Cornell University)|Sep 12, 2016

Image and Signal Denoising Methods参考文献 25被引用 3

一句话总结

本文提出了一种新型图像去噪方法——组稀疏残差约束（GSRC），通过利用首次估计的干净图像来优化噪声图像的组稀疏系数，从而减少组稀疏残差。该方法在PSNR方面优于BM3D和WNNM等最先进技术，同时保持了较高的计算效率。

ABSTRACT

Group sparsity has shown great potential in various low-level vision tasks (e.g, image denoising, deblurring and inpainting). In this paper, we propose a new prior model for image denoising via group sparsity residual constraint (GSRC). To enhance the performance of group sparse-based image denoising, the concept of group sparsity residual is proposed, and thus, the problem of image denoising is translated into one that reduces the group sparsity residual. To reduce the residual, we first obtain some good estimation of the group sparse coefficients of the original image by the first-pass estimation of noisy image, and then centralize the group sparse coefficients of noisy image to the estimation. Experimental results have demonstrated that the proposed method not only outperforms many state-of-the-art denoising methods such as BM3D and WNNM, but results in a faster speed.

研究动机与目标

• 解决现有基于组稀疏性的去噪方法仅依赖于噪声图像的非局部自相似性所带来的局限性，该局限可能导致重建效果不理想。
• 通过引入一种新先验模型，结合噪声图像的结构特征与估计的干净图像的组稀疏系数，提升去噪性能。
• 通过减少噪声图像与干净图像之间的组稀疏残差，提升重建精度与细节保持能力。
• 在高去噪质量与计算效率之间实现平衡，相比WNNM和AST-NLS等方法在速度上更具优势，同时保持或超越其PSNR表现。

提出的方法

• 提出组稀疏残差的概念，作为衡量噪声图像组稀疏表示与真实干净图像之间偏差的度量。
• 使用标准去噪方法对干净图像进行首次估计，以获得原始图像组稀疏系数的初始估计值。
• 将噪声图像的组稀疏系数向干净图像的估计系数集中，以最小化组稀疏残差。
• 利用噪声图像中的非局部相似块形成三维分组，在变换域中应用协同过滤以增强稀疏性并降低噪声。
• 采用正则化框架，对由相似图像块导出的系数矩阵施加组稀疏性约束，参数根据噪声水平进行调节。
• 在MATLAB中实现该算法，采用自适应于噪声方差的块大小，并对不同噪声水平使用固定参数集（c, γ, δ）。

实验结果

研究问题

• RQ1 减少噪声图像与干净图像表示之间的组稀疏残差，是否能带来相比现有方法更优的去噪性能？
• RQ2 在组稀疏系数优化过程中引入初始干净图像估计，是否能提升重建精度与细节保持能力？
• RQ3 所提方法是否能在保持竞争力运行时间的同时，实现高于BM3D和WNNM等最先进方法的PSNR？
• RQ4 在高噪声水平（σ > 50）下，所提GSRC方法的表现如何，传统方法常在此类条件下难以保持精细纹理与边缘？

主要发现

• 在所有测试噪声水平下，GSRC相比BM3D平均提升PSNR 0.39–0.56 dB，相比NCSR提升0.46–0.76 dB，相比MSEPLL提升0.61–0.66 dB。
• 在σ = 100时，GSRC在Foreman图像上相比BM3D实现最高达1.24 dB的PSNR增益，在House图像上实现1.37 dB增益，表明其在高噪声下仍具强大性能。
• 视觉结果表明，与BM3D、WNNM和AST-NLS相比，GSRC在纹理丰富和边缘密集区域更能有效保持锐利边缘并抑制伪影。
• GSRC运行速度显著快于WNNM、NCSR和AST-NLS，在测试图像上的中位运行时间仅为55–115秒，而WNNM和NCSR超过200秒。
• 尽管在MATLAB中实现，该方法仍保持了竞争力的运行速度，仅在BM3D（使用优化的C++ mex函数）之外优于所有其他方法。
• 在所有噪声水平下，该方法在12张标准测试图像上均达到最先进PSNR表现，且在低噪声与高噪声条件下均保持一致的性能增益。