Stabilizing Deep Reconstruction Operators with Contractive Anchoring

技術要約：収縮的アンカーによる深層再構成オペレータの安定化

問題提起
学習済みの深層デノイザは、Plug-and-Play (PnP) や Regularization-by-Denoising (RED) アルゴリズムを介して、デブラーリングや超解像といったモデルベースの画像再構成（IR）タスクにおいて広く利用されている。これらの手法は、特定の逆問題のために再学習することなく、強力でタスクに依存しないデノイザを使用することを可能にする。しかし、単一ステップの推論のみに訓練されたこれらのデノイザを反復的な再構成スキームとして用いる場合、決定的な制限が生じる。

著者らは、**「ピーク・アンド・コラプス（peak-and-collapse: ピークと崩壊）」**と呼ばれる一般的な失敗モードを特定している。このシナリオでは、再構成の品質（PSNRで測定）は初期のイテレーション中に向上するが、あるピークに達した後、突如として悪化する。この不安定性は、標準的なPnPおよびREDアルゴリズムを実用上の信頼性に欠けるものにしている。なぜなら、最適な停止点を特定することが困難だからである。既存の解決策は、デノイザに対して特定のアーキテクチャ上の制約（非拡大性など）を伴う再学習を必要とするか、あるいはデノイザを再構成モデルと共同で最適化する必要があり、これらは既存の高精度な学習済みネットワークの再利用を制限してしまう。

手法
本論文は、元の学習済みデノイザや近接ソルバ（proximal solver）の変更や再学習を必要としない、「ドロップイン」メカニズムとして機能するデータ駆動型の安定化フレームワークを提案している。核心となるアプローチは、**収縮的アンカー（contractive anchor）**を用いてIRオペレータの不安定性を制御することである。

1. 安定性指数 ($\eta$): IRオペレータ $\mathcal{T}$ はブラックボックスとして扱われるため、著者らは参照点 $\mathbf{p}$ に対する局所的な安定性指数 $\eta_p(\mathbf{x}, \mathcal{T})$ を定義した。この指数は、オペレータによって誘発される相対的な拡大または収縮を測定する。不安定性は $\eta > 1$ によって特徴付けられる。
2. 適応的収縮アンカリング: 本手法は、一意の不動点 $\mathbf{p}$ を持つ収縮的オペレータ $\mathcal{S}$（アンカー）を導入する。不安定なオペレータ $\mathcal{T}$ は、平均化されたオペレータ $\mathcal{T}_\theta = (1-\theta)\mathcal{T} + \theta\mathcal{S}$ を形成するために $\mathcal{S}$ と混合される。
   • 理論的保証: Lemma 1 および Theorem 1 は、収縮との平均化が安定性指数を厳密に減少させることを示している。著者らは、安定性指数を目標レベル $\xi$（具体的には $\xi=1$）に減少させることを保証する明示的な閾値 $\tilde{\theta}$ を導出した。
   • Algorithm 1: 提案手法は、各イテレーションにおいて混合重み $\theta_k$ を適応的に計算する。もし $\eta > 1$ であれば、$\eta$ を 1 まで引き下げるために必要な最小値を $\theta_k$ として設定し、そうでなければ $\theta_k = 0$ とする。これにより、安定性が強制される必要がある場合にのみ安定化が行われ、元のオペレータ $\mathcal{T}$ によって駆動される再構成品質が維持される。
3. 収縮的アンカーの構築: アンカー $\mathcal{S}$ として機能するために、著者らは収縮的であることが構成上保証された軽量なノイズ認識型デノイザ $\mathcal{D}_\sigma$ を設計した。
   • このデノイザは、勾配ステップ・オペレータ $\mathcal{D}(\mathbf{x}) = \mathbf{x} - \gamma \nabla \Phi(\mathbf{x})$ としてモデル化されている。
   • ポテンシャル関数 $\Phi$ は、スプラインに基づく非線形性と、勾配が $[0, 1]$ に制約された学習可能な畳み込みフィルタを用いてパラメータ化されている。
   • 畳み込み重みの特定の再パラメータ化、およびステップサイズ $\gamma$ と正則化パラメータ $\tau$ への制約を通じて、著者らは、得られるオペレータがいかなるノイズレベル $\sigma$ に対しても $\kappa$-収縮（$\kappa < 1$）であることを証明した（Proposition 2 および 3）。このアンカーは標準的なガウス型デノイザとして学習されるが、証明可能な収縮性を保持している。

主な貢献

1. 安定性指数の定式化: ブラックボックスのIRオペレータの膨張性を定量化する局所的な安定性指数 $\eta$ の導入。これにより、ネットワークの内部知識なしに不安定性の検出と制御が可能になる。
2. 適応的安定化アルゴリズム: 発散を防ぐために収縮的アンカーの影響を適応的に調整する、証明可能な収束性を持つアルゴリズム（Algorithm 1）。これは完全なドロップイン・ラッパーとして機能し、アンカーの学習以外のハイパーパラメータ調整を必要としない。
3. 学習可能な収縮的アンカー: 収縮的であることが構成上保証された、軽量でノイズ認識型のデノイザの設計。これにより、無制約な学習手順を使用しながら、安定化フレームワークに必要な数学的特性を保証できる。

実験結果
本フレームワークは、複数の近接ソルバ（PGD, HQS, ADMM, RED-GD）、多様なデノイザ・アーキテクチャ（DnCNN/DRUNetなどのCNN、拡散モデル、Transformer）、および様々な撮像タスク（モーションデブラー、ガウス型デブラー、超解像）にわたって評価された。

• 安定性: 本手法は、バニラなPnPおよびEquivariant PnPで見られる「ピーク・アンド・コラプス」挙動を一貫して防止する。ベースラインの手法はしばしば発散する（結果における $\times$ で表示）か、ピーク後の大幅なPSNR低下に苦しむ一方で、安定化されたバリアントは、最終的なPSNR値をピーク時の性能に近い値に維持する。
• 性能: 安定化された手法は、DPIR、GSPnP、DEALといった最先端のパイプラインと比較して、同等または優れた結果を達成している。例えば、モーションデブラーにおいて、安定化されたHQS+GS-DRUNetは30.70 dBを達成し、これはDPIR（30.69 dB）に匹敵するが、標準的なPnP-HQSは発散した。
• 効率性: 計算オーバーヘッドは、バニラなPnPと比較して約20%程度であると報告されている。混合重み $\theta$ は安定したフェーズでは小さく保たれるため、更新は依然として高精度なブラックボックス・オペレータによって主に駆動され、再構成品質が維持される。

意義と主張
本論文は、このフレームワークが、PnP/REDパラダイムのモジュール性を損なうことなく、深層再構成オペレータの不安定性に対する堅牢な解決策を提供すると主張している。安定化メカニズムを特定のデノイザ・アーキテクチャから切り離すことで、著者らは既存の強力な学習済みモデルを反復的な再構成タスクで確実に利用できるようにした。このアプローチは、有界なイテレート（iterates）の証明可能な保証を提供し、PnP手法の実用的な展開を制限している現在の急激な劣化を防ぐものである。著者らはこれを、本質的に信頼性の高いIRシステムへの一歩として位置づけており、将来の研究ではこれらの原理をIRシステムの学習に直接組み込むことが含まれ得ると述べている。