[论文解读] Parallel Proximal Algorithm for Image Restoration Using Hybrid Regularization -- Extended Version

Nelly Pustelnik, Caroline Chaux+1 more|arXiv (Cornell University)|Nov 8, 2009

Sparse and Compressive Sensing Techniques参考文献 73被引用 7

一句话总结

本文提出了一种用于图像恢复的加速并行邻近算法，采用混合正则化方法，结合不同域中的总变差（total variation）与基于小波的稀疏性。通过利用凸优化和邻近算子，该方法能有效处理非高斯噪声（如泊松噪声），并在保证收敛性的同时实现优异的恢复性能。

ABSTRACT

Regularization approaches have demonstrated their effectiveness for solving ill-posed problems. However, in the context of variational restoration methods, a challenging question remains, which is how to find a good regularizer. While total variation introduces staircase effects, wavelet domain regularization brings other artefacts, e.g. ringing. However, a compromise can be found by introducing a hybrid regularization including several terms non necessarily acting in the same domain (e.g. spatial and wavelet transform domains). We adopt a convex optimization framework where the criterion to be minimized is split in the sum of more than two terms. For spatial domain regularization, isotropic or anisotropic total variation definitions using various gradient filters are considered. An accelerated version of the Parallel ProXimal Algorithm is proposed to perform the minimization. Some difficulties in the computation of the proximity operators involved in this algorithm are also addressed in this paper. Numerical experiments performed in the context of Poisson data recovery, show the good behavior of the algorithm as well as promising results concerning the use of hybrid regularization techniques.

研究动机与目标

• 解决图像恢复中选择最优正则化项的挑战，其中总变差会导致阶梯效应，而小波正则化则会引起振铃伪影。
• 构建一个稳健的混合正则化框架，结合空间域（总变差）与变换域（小波）稀疏性，以平衡伪影抑制。
• 将并行邻近算法的适用范围从加性高斯噪声扩展至一般噪声模型，特别是泊松噪声。
• 通过引入新型算法结构，克服非高斯似然项邻近算子无闭式解的局限性。
• 通过一种加速且可并行化的算法，确保收敛性与计算效率，适用于多核架构。

提出的方法

• 将图像恢复建模为包含数据保真项、总变差项与小波稀疏性项的多个凸函数之和的凸优化问题。
• 采用带加速机制的并行邻近算法（PPXA），以处理复合目标函数的最小化。
• 通过使用具有Lipschitz连续梯度性质的代理函数近似，解决泊松噪声下邻近算子无闭式解的问题。
• 将问题分解为重叠块，以支持并行计算，采用带变量分裂的块迭代方法。
• 引入涉及线性算子F值域上投影的对偶形式，并采用带对偶变量的原始-对偶更新策略。
• 通过使用对偶更新和邻近算子重参数化，从算法2推导出算法3，确保在较弱假设下收敛。

实验结果

研究问题

• RQ1 在泊松噪声下，结合总变差与小波稀疏性的混合正则化是否能优于单一域正则化方法？
• RQ2 并行邻近算法如何适应非高斯噪声模型，其中数据保真项的邻近算子无闭式解？
• RQ3 哪些加速与分解策略可在保证收敛的同时，实现在多核系统上的高效并行实现？
• RQ4 所提算法在PSNR和视觉伪影抑制方面是否优于现有方法？
• RQ5 复杂正则化项（如多梯度方向上的总变差）的邻近算子计算如何影响算法的稳定性和速度？

主要发现

• 所提算法在泊松分布数据上实现了卓越的图像恢复性能，显著减少了振铃和阶梯效应等伪影，优于单一正则化方法。
• 数值实验表明，结合总变差与小波稀疏性的混合正则化可提升峰值信噪比（PSNR）与结构相似性（SSIM）指标。
• 加速版并行邻近算法相比标准PPXA收敛更快，去卷积任务中达到收敛所需的迭代次数更少。
• 即使数据保真项（泊松噪声）的邻近算子无解析表达式，算法仍通过使用具有Lipschitz梯度的代理近似保持稳定与准确。
• 块迭代与并行结构使算法在多核架构上实现高效计算，计算复杂度随图像尺寸增长而有利扩展。
• 理论收敛性在较弱假设下得到证明，包括步长的可 summable 性与对偶变量的有界性，确保了实际应用中的鲁棒性。