[论文解读] Image Restoration with Signal-dependent Camera Noise

Ayan Chakrabarti, Todd Zickler|arXiv (Cornell University)|Apr 13, 2012

Image and Signal Denoising Methods参考文献 9被引用 11

一句话总结

本文提出了一种快速、迭代的图像复原算法，通过变量分裂技术将传统的AWGN方法适配至信号依赖型相机噪声——特别是混合泊松-高斯噪声和量化误差——从而实现对真实噪声模型的高效利用。该方法可与最先进的图像先验（如总变差、BM3D）结合，显著提升复原质量，尤其在噪声方差较低的暗部区域表现优于基于AWGN的方法。

ABSTRACT

This article describes a fast iterative algorithm for image denoising and deconvolution with signal-dependent observation noise. We use an optimization strategy based on variable splitting that adapts traditional Gaussian noise-based restoration algorithms to account for the observed image being corrupted by mixed Poisson-Gaussian noise and quantization errors.

研究动机与目标

• 为解决真实相机中由于光子散粒噪声和电子噪声导致的信号依赖型噪声问题，传统基于AWGN的图像复原方法性能不佳。
• 开发一种通用框架，将真实的混合泊松-高斯噪声模型无缝集成到现有最先进的图像先验中，而无需重新设计算法。
• 通过在增广Lagrangian优化框架中引入变量分裂，降低计算成本，同时保持高复原精度。
• 通过插件式适配方法，使任何现有的基于AWGN的复原技术（如BM3D、基于TV的方法）均可用于信号依赖型噪声模型。

提出的方法

• 该方法将观测图像建模为泊松分布的光子散粒噪声、加性高斯噪声以及量化误差的组合，其似然函数通过偏移泊松模型近似。
• 采用变量分裂技术将图像、模糊图像和梯度变量解耦，从而通过交替方向乘子法（ADMM）实现高效优化。
• 优化问题被表述为带辅助变量的约束最小化问题，其中梯度和模糊图像变量作为辅助变量，通过增广Lagrangian对偶更新迭代求解。
• 每个更新步骤均高效计算：梯度更新在像素级以闭式解求解，图像更新则在傅里叶域中利用快速傅里叶变换（FFT）计算。
• 算法采用热启动策略，初始估计基于量化观测结果，并应用步长自适应策略以加速收敛。
• 通过将先验与噪声模型解耦，支持任意图像先验（如TV、BM3D），实现现有复原技术的即插即用式集成。

实验结果

研究问题

• RQ1 能否设计一种通用图像复原框架，在准确建模真实相机噪声（泊松-高斯噪声及量化误差）的同时保持计算效率？
• RQ2 如何在不重新实现的情况下，将现有基于AWGN的复原算法适配至信号依赖型噪声模型？
• RQ3 在混合噪声环境下，采用变量分裂优化策略对收敛速度和复原质量有何影响？
• RQ4 与基于AWGN的方法及当前最先进的信号依赖型方法相比，该方法在PSNR和视觉质量方面表现如何？
• RQ5 该框架能否在不牺牲计算性能的前提下，支持多种图像先验？

主要发现

• 所提方法在低光照区域显著提升了PSNR，尤其在信号依赖型噪声最显著的区域表现优于基于AWGN的方法。
• 通过利用傅里叶域更新和梯度变量的闭式解，算法保持了高计算效率，实现快速收敛。
• 借助变量分裂与增广Lagrangian方法，框架可无缝集成任意现有基于AWGN的先验（如BM3D），实现与信号依赖型噪声模型的兼容。
• 在定量指标与视觉质量方面，该方法均优于当前最先进的信号依赖型去噪技术，尤其在保留细节和避免暗区过度平滑方面表现优异。
• 采用热启动与自适应步长策略显著加速收敛，实际应用中算法在20次迭代内即可收敛。