[论文解读] Improved Total Variation based Image Compressive Sensing Recovery by Nonlocal Regularization

Jian Zhang, Shaohui Liu+3 more|arXiv (Cornell University)|Aug 18, 2012

Sparse and Compressive Sensing Techniques参考文献 7被引用 6

一句话总结

该论文提出了一种新颖的图像压缩感知恢复方法，通过将非局部正则化整合到总变差（TV）最小化中，以减少阶梯效应并增强纹理重建。通过利用非局部均值滤波的自相似性，并采用增广拉格朗日算法求解联合优化问题，该方法在峰值信噪比（PSNR）和视觉质量方面均优于现有的基于TV的先进方法。

ABSTRACT

Recently, total variation (TV) based minimization algorithms have achieved great success in compressive sensing (CS) recovery for natural images due to its virtue of preserving edges. However, the use of TV is not able to recover the fine details and textures, and often suffers from undesirable staircase artifact. To reduce these effects, this letter presents an improved TV based image CS recovery algorithm by introducing a new nonlocal regularization constraint into CS optimization problem. The nonlocal regularization is built on the well known nonlocal means (NLM) filtering and takes advantage of self-similarity in images, which helps to suppress the staircase effect and restore the fine details. Furthermore, an efficient augmented Lagrangian based algorithm is developed to solve the above combined TV and nonlocal regularization constrained problem. Experimental results demonstrate that the proposed algorithm achieves significant performance improvements over the state-of-the-art TV based algorithm in both PSNR and visual perception.

研究动机与目标

• 为解决总变差（TV）在压缩感知中固有的局限性，特别是阶梯效应和纹理恢复能力差的问题。
• 通过引入利用自然图像中自相似结构的非局部正则化，提升图像重建质量。
• 设计一种高效的优化算法，用于求解TV与非局部正则化相结合的问题。
• 在峰值信噪比（PSNR）和视觉保真度方面，优于现有的基于TV的压缩感知恢复方法。

提出的方法

• 基于非局部均值（NLM）滤波引入一种非局部正则化项，以利用图像块中的自相似性。
• 在压缩感知恢复的约束优化框架中，将非局部正则化与总变差（TV）相结合。
• 采用增广拉格朗日方法，高效求解包含TV与非局部项的复合优化问题。
• 采用交替方向乘子法（ADMM）变体，以处理联合目标函数中非光滑且不可分离的特性。
• 通过交替更新图像估计值、对偶变量和辅助变量，确保算法收敛。
• 通过联合正则化，在保持边缘的同时减少块状伪影，并增强细微纹理。

实验结果

研究问题

• RQ1 非局部正则化是否能有效减少基于TV的压缩感知恢复中的阶梯效应？
• RQ2 通过非局部均值引入自相似性，如何改善压缩感知中纹理与细节的重建？
• RQ3 TV与非局部正则化相结合对图像恢复的PSNR和视觉质量有何影响？
• RQ4 能否设计一种高效的优化算法，以处理TV与非局部正则化联合优化的问题？
• RQ5 与现有最先进的基于TV的压缩感知恢复技术相比，所提方法在重建精度和视觉保真度方面表现如何？

主要发现

• 实验结果表明，所提方法在PSNR方面显著优于标准的基于TV的压缩感知算法。
• 视觉质量明显提升，阶梯效应减少，细微纹理与边缘得到更好保留。
• 非局部正则化的引入有效抑制了基于TV重建中常见的块状外观。
• 增广拉格朗日算法收敛稳定且高效，使其适用于实际图像恢复任务。
• 在定量（PSNR）与定性（视觉感知）评估中，该方法均优于现有最先进的基于TV的恢复方法。