[论文解读] Infimal convolution regularisation functionals of BV and $\mathrm{L}^{p}$ spaces. Part I: The finite $p$ case

Martin Burger, Konstantinos Papafitsoros+2 more|arXiv (Cornell University)|Apr 8, 2015

Numerical methods in inverse problems被引用 3

一句话总结

本文提出了一种用于图像处理的新型TV–L^p下确界卷积正则化泛函，结合总变差与L^p范数以减少去噪中的阶梯效应。证明了其适定性，推导出p=2时的精确1D解（等价于Huber-TV），并表明提高p值可增强分段仿射重建效果并保留锐利特征，其性能优于标准TV，且通过Bregman迭代逼近TGV质量。

ABSTRACT

We study a general class of infimal convolution type regularisation functionals suitable for applications in image processing. These functionals incorporate a combination of the total variation ($\mathrm{TV}$) seminorm and $\mathrm{L}^{p}$ norms. A unified well-posedness analysis is presented and a detailed study of the one dimensional model is performed, by computing exact solutions for the corresponding denoising problem and the case $p=2$. Furthermore, the dependency of the regularisation properties of this infimal convolution approach to the choice of $p$ is studied. It turns out that in the case $p=2$ this regulariser is equivalent to Huber-type variant of total variation regularisation. We provide numerical examples for image decomposition as well as for image denoising. We show that our model is capable of eliminating the staircasing effect, a well-known disadvantage of total variation regularisation. Moreover as $p$ increases we obtain almost piecewise affine reconstructions, leading also to a better preservation of hat-like structures.

研究动机与目标

• 开发一种结合总变差与L^p范数的通用下确界卷积正则化框架，以提升图像重建质量。
• 通过引入灵活的L^p惩罚项，解决标准总变差固有的阶梯效应。
• 分析TVL^p泛函在不同p值下的正则化特性，尤其关注边缘与结构的保持能力。
• 建立理论适定性，并推导出去噪问题在1D下的精确解。
• 通过数值实验表明，增大p值可更好保留分段仿射与尖峰状结构。

提出的方法

• 所提出的泛函定义为TVL^p_α,β(u) = inf_{w∈L^p(Ω)} α‖Du - w‖_ℳ + β‖w‖_L^p(Ω)，其中‖·‖_ℳ为Radon范数。
• 采用下确界卷积方法平衡一阶总变差与L^p正则化，通过调节p值实现平滑度控制。
• 对p=2的1D去噪问题，通过解析方法推导出精确解，揭示其与Huber-TV正则化等价。
• 数值实验采用分裂Bregman算法求解2D图像去噪与分解中的最小化问题。
• 应用Bregman迭代以增强对比度并进一步减少阶梯效应，逼近TGV^2性能。
• 通过模型将解分解为分段常数与光滑分量，实现图像分解。

实验结果

研究问题

• RQ1 TV–L^p下确界卷积泛函中p值的选择如何影响正则化特性与图像去噪的重建质量？
• RQ2 所提出的TVL^p泛函是否能比标准总变差更有效地消除阶梯效应？
• RQ3 当p=2时，TVL^p模型是否等价于著名的Huber-TV正则化器？该情况下能否推导出精确1D解？
• RQ4 增大p值如何影响重建图像的结构，特别是对锐利尖峰与仿射区域的保持能力？
• RQ5 Bregman迭代是否能进一步提升TVL^p重建质量，使其达到或逼近TGV^2性能？

主要发现

• 当p=2时，TVL^p泛函在数学上等价于Huber-TV正则化器，且已为去噪问题推导出精确1D解。
• 该模型成功消除了图像去噪中的阶梯效应，尤其在p值较高时效果更显著。
• 随着p值增大，重建结果从分段常数过渡为分段线性，从而更好地保留帽状与尖峰状结构。
• 数值结果表明，Bregman迭代显著提升了重建质量，SSIM值可与TGV^2相媲美（例如，TVL^2结合Bregman迭代的SSIM=0.9433）。
• 高p值的TVL^p模型在保留锐利特征（如合成图像中的中心尖峰）方面优于TGV^2，如表面图与剖面比较所示。
• 泛函(5.1)可有效实现几何分解，将图像分解为分段常数与光滑分量，图19提供了可视化与定量验证。