PG-DPIR: An efficient plug-and-play method for high-count Poisson-Gaussian inverse problems

要約

Poisson-Gaussianノイズは、さまざまなイメージングシステムのノイズを説明するため、ポアソンガウス画像の修復に効率的なアルゴリズムが必要です。
ディープラーニング方法は最先端のパフォーマンスを提供しますが、多くの場合、監視された設定で使用する場合はセンサー固有のトレーニングが必要です。
有望な代替手段は、プラグアンドプレイ（PNP）メソッドによって与えられます。これは、emo装置を介した正則化のみを学習することで構成され、同じネットワークを持ついくつかのソースから画像を復元できます。
このペーパーでは、DPIRから適応した大量のポアソンガウス逆問題の効率的なPNPメソッドであるPG-DPIRを紹介します。
DPIRは白いガウスノイズ用に設計されていますが、ポアソンガウスノイズへの素朴な適応は、閉じた型の近位演算子が存在しないため、アルゴリズムを法外に遅くすることにつながります。
これに対処するために、ポアソンガウスノイズの特異性にDPIRを適応させ、特に数桁の収束を加速する近位ステップに必要な勾配降下の効率的な初期化を提案します。
実験は、衛星画像の復元と超解像度の問題で行われます。
高解像度の現実的なプレアデス画像は、実験のためにシミュレートされます。これは、PG-DPIRが効率を向上させて最先端のパフォーマンスを達成することを示しています。

要約(オリジナル)

Poisson-Gaussian noise describes the noise of various imaging systems thus the need of efficient algorithms for Poisson-Gaussian image restoration. Deep learning methods offer state-of-the-art performance but often require sensor-specific training when used in a supervised setting. A promising alternative is given by plug-and-play (PnP) methods, which consist in learning only a regularization through a denoiser, allowing to restore images from several sources with the same network. This paper introduces PG-DPIR, an efficient PnP method for high-count Poisson-Gaussian inverse problems, adapted from DPIR. While DPIR is designed for white Gaussian noise, a naive adaptation to Poisson-Gaussian noise leads to prohibitively slow algorithms due to the absence of a closed-form proximal operator. To address this, we adapt DPIR for the specificities of Poisson-Gaussian noise and propose in particular an efficient initialization of the gradient descent required for the proximal step that accelerates convergence by several orders of magnitude. Experiments are conducted on satellite image restoration and super-resolution problems. High-resolution realistic Pleiades images are simulated for the experiments, which demonstrate that PG-DPIR achieves state-of-the-art performance with improved efficiency, which seems promising for on-ground satellite processing chains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google