[论文解读] Regularized Non-Gaussian Image Denoising

Albert Oh, Rebecca Willett|arXiv (Cornell University)|Aug 12, 2015

Sparse and Compressive Sensing Techniques参考文献 13被引用 5

一句话总结

本文提出了一种重参数化框架，将非高斯图像去噪中的非凸正则化器转化为凸优化问题，从而可通过凸求解器高效求解。结果表明，在泊松噪声和瑞利噪声场景下，如对数总变差等正则化器可实现更优性能，相较于标准方法，实证均方根误差（RMSE）最高提升15%。

ABSTRACT

In image denoising problems, one widely-adopted approach is to minimize a regularized data-fit objective function, where the data-fit term is derived from a physical image acquisition model. Typically the regularizer is selected with two goals in mind: (a) to accurately reflect image structure, such as smoothness or sparsity, and (b) to ensure that the resulting optimization problem is convex and can be solved efficiently. The space of such regularizers in Gaussian noise settings is well studied; however, non-Gaussian noise models lead to data-fit expressions for which entirely different families of regularizers may be effective. These regularizers have received less attention in the literature because they yield non-convex optimization problems in Gaussian noise settings. This paper describes such regularizers and a simple reparameterization approach that allows image reconstruction to be accomplished using efficient convex optimization tools. The proposed approach essentially modifies the objective function to facilitate taking advantage of tools such as proximal denoising routines. We present examples of imaging denoising under exponential family (Bernoulli and Poisson) and multiplicative noise.

研究动机与目标

• 解决标准凸正则化器在非高斯噪声模型中的局限性，其中非凸正则化器可能表现更优但难以优化。
• 通过引入一种重参数化技术，克服非高斯去噪中的非凸性问题，同时保持图像结构完整性，实现凸优化。
• 证明在泊松噪声和乘性噪声下，原本在高斯设置中为非凸的正则化器（如对数总变差）可转化为凸形式并表现出极高有效性。
• 提出一种通用框架，将正则化方法适配至高斯以外的噪声模型，提升低信噪比条件下的图像重建保真度。
• 在具有指数族分布和乘性噪声的真实成像问题上验证该方法，结果表明其在性能上持续优于基线方法。

提出的方法

• 通过变量替换（如 $ z = \log x $）重述去噪目标函数，使非凸正则化器在非高斯噪声模型下转化为凸形式。
• 将噪声模型的负对数似然（如泊松分布、伽马分布、瑞利分布）作为数据保真项 $ \phi(x,y) $，确保统计一致性。
• 对重参数化后的问题应用近端去噪算法，利用如近端梯度法等高效凸优化工具。
• 在泊松噪声情况下，目标函数变为 $ \sum_i (x_i + y_i \log x_i) + \tau \| \log x \|_{\text{TV}} $，经重参数化 $ z = \log x $ 后变为凸问题。
• 在瑞利噪声情况下，采用类似的重参数化方法 $ z = \log x $，将非凸的对数正则化转化为凸形式。
• 该框架通过利用对数似然函数的曲率特性，使原本非凸的问题可使用标准凸求解器进行求解。

实验结果

研究问题

• RQ1 在高斯去噪中不可行的非凸正则化器，是否可在非高斯设置中通过重参数化实现可计算性与有效性？
• RQ2 通过 $ z = \log x $ 的重参数化是否可使非高斯噪声下的非凸正则化器转化为凸优化问题？
• RQ3 在泊松噪声和瑞利噪声中，对数正则化去噪方法的性能与标准TV或 $ \ell_1 $ 方法相比如何？
• RQ4 重参数化参数 $ k $ 对乘性噪声模型中重建质量与收敛性的影响是什么？
• RQ5 所提出的框架是否可泛化至不同指数族噪声模型（如泊松分布、伯努利分布、伽马分布）及不同类型乘性噪声？

主要发现

• 重参数化 $ z = \log x $ 将非凸的对数总变差正则化器在泊松噪声下转化为凸优化问题，从而可借助近端方法高效求解。
• 在泊松去噪（均值为10）中，最佳重参数化方法的平均RMSE为0.0945，较基线方法（0.1008）降低超过6%。
• 在 $ S=3 $ 的瑞利噪声条件下，重参数化方法将平均RMSE从基线的0.1649降低至 $ k=2 $ 时的0.1276，提升达22.6%。
• 所有测试图像中性能提升均保持一致，最佳重参数化方法在泊松与瑞利噪声实验中始终优于基线。
• 即使在中等 $ k $ 值下，该方法也实现了显著的RMSE降低，且在 $ k=2 $ 后性能趋于稳定，表明其具有鲁棒性与稳定性。
• 视觉结果（图C1、D1、D2）显示，与基线方法相比，重参数化重建能更好地保持边缘与精细结构，尤其在低信噪比条件下表现更优。