[论文解读] Parameter learning and fractional differential operators: application in image regularization and decomposition

Sören Bartels, Nico Weber|arXiv (Cornell University)|Jan 10, 2020

Numerical methods in inverse problems参考文献 17被引用 5

一句话总结

该论文提出了一种双层优化框架，通过傅里叶变换实现高效计算，学习分数阶微分算子在图像去噪与分解中的最优参数。该方法相较于ROF模型计算速度更快，提供误差估计，并在纹理成分分离方面优于现有变分模型。

ABSTRACT

In this paper, we focus on learning optimal parameters for PDE-based image regularization and decomposition. First we learn the regularization parameter and the differential operator for gray-scale image denoising using the fractional Laplacian in combination with a bilevel optimization problem. In our setting the fractional Laplacian allows the use of Fourier transform, which enables the optimization of the denoising operator. We prove stable and explainable results as an advantage in comparison to other machine learning approaches. The numerical experiments correlate with our theoretical model setting and show a reduction of computing time in contrast to the ROF model. Second we introduce a new image decomposition model with the fractional Laplacian and the Riesz potential. We provide an explicit formula for the unique solution and the numerical experiments illustrate the efficiency.

研究动机与目标

• 解决基于PDE的图像正则化中选择最优正则化参数的挑战，特别是针对分数阶微分算子。
• 通过将变分正则化与参数学习相结合，克服深度学习方法的局限性，确保模型的稳定性与误差界。
• 利用分数阶拉普拉斯算子与双层优化，开发一种数值高效且分析可解释的图像去噪模型。
• 提出一种新颖的图像分解模型，结合分数阶拉普拉斯算子与Riesz势，以分离结构成分与纹理成分。
• 与OSV和ROF模型相比，展示在纹理重建与成分分离方面性能的提升。

提出的方法

• 构建一个双层优化问题，以学习分数阶 $ s $ 与正则化参数 $ \alpha $，最小化去噪图像与真实图像之间的 $ L^2 $ 距离。
• 利用傅里叶变换高效计算分数阶拉普拉斯算子的解算子，从而实现PDE的快速且稳定的数值求解。
• 定义一个强凸障碍函数 $ \varphi(s,\alpha) $，将参数约束在凸集 $ W $ 内，确保数值稳定性。
• 提出一种新图像分解模型，结合分数阶拉普拉斯算子用于结构成分 $ u $ 与Riesz势用于纹理成分 $ v $，并采用凸能量泛函。
• 推导出该分解模型的显式解析解，并通过离散傅里叶变换进行数值验证。
• 采用基于离散傅里叶变换的求解器实现该方法，并将其应用于基准图像的去噪与分解任务。

实验结果

研究问题

• RQ1 与传统的ROF模型相比，基于分数阶拉普拉斯算子的双层优化能否实现更稳定、可解释且更快的图像去噪？
• RQ2 傅里叶变换如何实现分数阶微分算子在图像正则化中高效且精确的参数学习？
• RQ3 基于分数阶拉普拉斯算子与Riesz势的新分解模型能否在分离结构与纹理图像成分方面优于OSV与ROF等现有模型？
• RQ4 同时学习分数阶 $ s $ 与正则化参数 $ \alpha $ 对重建质量与计算效率有何影响？
• RQ5 与深度学习方法相比，该方法在误差估计、稳定性与可解释性方面表现如何？

主要发现

• 所提出的基于分数阶拉普拉斯算子的双层优化框架，相较于ROF模型，计算时间减少了10至100倍。
• 在"kentaur"图像上，结构相似性（SSIM）从分数阶拉普拉斯模型的0.356显著提升至所提分解模型的0.581。
• 在"pepper"与"baboon"图像的详细对比中，基于Riesz的分解模型对纹理成分 $ v $ 的重建精度优于OSV模型。
• 所提模型在"pepper"图像上的结构成分 $ u $ 的SSIM达到0.716，在"baboon"图像上达到0.691，纹理分离性能优于OSV模型。
• 该模型提供了严格的误差估计与分析理解，而深度学习方法则不具备此特性，同时保持了计算效率。
• 实验中找到的最优参数包括 $ \bar{s}_1 = 0.172 $，$ \bar{\alpha} = 9999.7 $，$ \bar{s}_2 = -0.926 $，以及 $ \bar{\beta} = 10410 $，表明参数强烈依赖于图像内容与噪声水平。