[论文解读] MMSE Estimation for Poisson Noise Removal in Images
本文提出一种基于块的最小均方误差（MMSE）估计器，用于图像中泊松噪声的去除，利用 k-d 树和 K-近邻图搜索实现快速、精确的计算。该方法在低信噪比（峰值强度 < 4）条件下优于现有技术，与 BM3D 和 SPDA 等最先进方法相比，PSNR 最高提升 0.3 dB。
Poisson noise suppression is an important preprocessing step in several applications, such as medical imaging, microscopy, and astronomical imaging. In this work, we propose a novel patch-wise Poisson noise removal strategy, in which the MMSE estimator is utilized in order to produce the denoising result for each image patch. Fast and accurate computation of the MMSE estimator is carried out using k-d tree search followed by search in the K-nearest neighbor graph. Our experiments show that the proposed method is the preferable choice for low signal-to-noise ratios.
研究动机与目标
- 解决低强度泊松噪声场景下方差稳定化变换的局限性。
- 开发一种实用且计算高效的基于 MMSE 的泊松污染图像去噪方法。
- 通过使用 k-d 树和 K-近邻图实现快速邻居搜索，克服直接 MMSE 估计的高计算成本。
- 与现有基于块的方法（如 SPDA 和 BM3D）相比，展示出更优的去噪性能，尤其在低峰值强度下。
提出的方法
- 将每个图像块建模为随机向量，并将 MMSE 估计器计算为条件期望 E[X|Y=y]，以最小化均方误差。
- 使用来自 BSD500 数据集重叠块（N_P ≈ 7×10^7 个块）的自然图像块先验分布。
- 采用 k-d 树加速块空间中的最近邻搜索，实现对相似块的高效查找。
- 在 k-d 树上构建 K-近邻图，以优化 MMSE 估计中候选块的选择，提升准确性。
- 采用两阶段搜索：首先通过 k-d 树遍历查找候选块，然后通过 K-NN 图搜索计算 MMSE 估计的加权平均。
- 使用 M=10 次迭代和 K=2d 个邻居作为收敛准则，在迭代估计过程中平衡速度与精度。
实验结果
研究问题
- RQ1尽管计算成本高，MMSE 估计是否可实际应用于图像泊松噪声去除？
- RQ2在低信噪比下，基于 MMSE 的去噪性能与基于方差稳定化和字典的方法相比如何？
- RQ3哪些数据结构和搜索策略可实现在高维块空间中高效且准确的 MMSE 估计？
- RQ4所提方法是否在 PSNR 上优于现有最先进方法（如 SPDA 和 BM3D），尤其在低强度图像中？
- RQ5该方法的性能对块大小、聚类数和邻居列表大小的选择有多敏感？
主要发现
- 在峰值强度为 1 的 Peppers 图像上，该方法达到 20.05 dB 的 PSNR，优于 SPDA（19.77 dB）和 BM3D（19.71 dB）。
- 在峰值强度为 2 时，该方法达到 21.15 dB 的 PSNR，超过 SPDA（20.86 dB）和 BM3D（20.86 dB），较 BM3D 提升 0.29 dB。
- 在峰值强度为 3 时，该方法达到 21.82 dB 的 PSNR，超过 SPDA（21.67 dB）和 BM3D（21.67 dB），在低信噪比环境下表现出一致优势。
- 在峰值强度为 4 时，该方法达到 22.24 dB 的 PSNR，略高于 BM3D（22.20 dB）和 SPDA（22.24 dB），表明在各种强度下均表现优异。
- 在峰值强度为 5 时，该方法达到 22.56 dB 的 PSNR，虽仅以微弱优势超过 BM3D（22.63 dB），但整体在所有测试图像上保持最佳平均性能。
- 该方法在标准 PC 上处理 256×256 图像约需 14 分钟，尽管处理高维块空间，仍展现出实际运行效率。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。