A Relaxed Gradient Step Denoiser for Splitting Methods in Poisson Inverse Problems

技術要約：ポアソン逆問題のための分割法に向けた緩和勾配ステップデノイザー

問題設定
顕微鏡、天文学、医療画像などの科学分野における画像復元は、線形ブラー $H$、背景 $b$、およびポアソンノイズによって汚染された観測データ $g$ から、クリーンな画像 $x^\star$ を復元することを含む。標準的なアプローチは、カルバック・ライブラー（KL）データ忠実度項と正則化項を最小化する最大事後確率（MAP）推定問題として定式化される。Plug-and-Play（PnP）手法は、近接作用素を学習済みデノイザーに置き換えることでガウスノイズの設定において大きな成功を収めてきたが、ポアソン逆問題への適用は困難である。非二次的なKL忠実度関数の性質は、FNE（強非拡大性）のようなデノイザーの特定の特性に依存するPnPSplit+のような分割法との統合において、収束解析を複雑にする。

手法
本論文では、ポアソンデータ用に設計されたPnPSplit+アルゴリズムの構造化されたバリアントである**GSDSplit+を提案する。コアとなる革新は、汎用的なPnPデノイジングブロックを緩和勾配ステップデノイザー（GSD）**に置き換えることである。

1. アルゴリズムの枠組み: 本手法は、交互方向乗数法（ADMM）スキームを利用する。デノイザーをブラックボックスとする標準的なPnPとは異 달리、GSDSplit+はデノイザーを次のように定義する：
   $$D_{\vartheta, \alpha}(x) = x - \alpha \nabla \psi_\vartheta(x)$$
   ここで、$\psi_\vartheta$ は**入力凸ニューラルネットワーク（ICNN）**によってパラメータ化された学習済みの凸ポテンシャルであり、$\alpha$ は緩和パラメータである。この構造は、デノイジング残差が明示的な勾配場であることを保証し、分割スキームとRED-PROのような固定点定式化との架け橋となる。

2. 収束条件: GSDSplit+の収束は、デノイザーが強非拡大（FNE）であることに依存する。著者らは、$\psi_\vartheta$ が凸かつ$L$-平滑であれば、$\alpha L \leq 1$ であるとき、演算子 $D_{\vartheta, \alpha}$ はFNEになることを確立している。これにより、緩和パラメータ $\alpha$ を調整することで、平滑性定数 $L > 1$ を持つネットワークの使用が可能になる。

3. 学習戦略: ICNNは、残差ガウスデノイジング損失を用いて学習される。理論的要件を満たすため、学習には以下が含まれる：

   • ネットワークが凸性と微分可能性を維持することを保証するための、平滑化活性化関数（LeakyReLUの微分可能な近似）。
   • ポテンシャルのヘッセ行列に対するスペクトルペナルティを用いた、平滑性に焦点を当てたファインチューニングフェーズ。このペナルティは、勾配のリプシッツ定数 $L$ が1に近くなるよう促し、有効な $\alpha$ の選択を容易にする。

主な貢献

• GSDSplit+の導入: ポアソン画像復元のための、ICN-ベースの勾配ステップデノイザーをPnPSplit+フレームワークに組み込む。
• 理論的収束: デノイザーの構造を、学習されたポテンシャルの凸性と平滑性、および緩和パラメータ $\vartheta$ と結びつける収束結果を導出する。
• カスタマイズされたアーキテクチャと学習: 特殊な平滑活性化関数を備えたICNNアーキテクチャと、二段階の学習戦略（標準的なデノイジングに続くヘッセ行列スペクトルペナルティ）を実装し、必要な平滑性条件を促進する。
• 実証的検証: 学習済みデノイザーが、$\alpha$ が適切に選択された場合（例：$\alpha = 0.9$）、検証データ上でFNE適合領域内で動作することを示す。

結果
DIV2KおよびBSD500データセットを用い、ガウスブラーとポアソンノイズを用いた数値実験が行われた。

• 再構成品質: GSDSplit+とベースラインのPnPSplit+（標準的なCNNデノイザーを使用）の両方を最適なADMMパラメータ（$\gamma$）でチューニングした場合、PnPSplit+はわずかに高いピーク信号対雑音比（PSNR）およびSSIMを達成する。
• ハイパーパラメータへの堅牢性: GSDSplit+の主な利点は、その安定性である。GSDSplit+は、ADMMパラメータ $\gamma$ の選択に対して大幅に頑健である。PnPSplit+の性能は $\gamma$ を過大評価すると著しく低下する（約13.29 dBのPSR低下）一方で、GSDSplit+は最小限の劣化（約1.50 dBの低下）しか示さない。
• 汎用性: 本手法は、異なるブラー演算子（モーションブラー、アウトフォーカス）や様々なポアソンノイズレベルに対して頑健性を示す。
• 計算コスト: この頑健性は計算上の代償を伴う。GSDSplit+は、毎回の反復においてICNNの勾配を計算する必要があるため、標準的なCNNのフォワードパスを使用するPnPSplit+よりも低速になる。

意義と主張
本論文は、GSDSplit+が、デノイザーの構造を収束保証に明示的に結びつけることで、ポアソン逆問題のための理論的根拠に基づいた代替案を提供すると主張している。GSDSplit+は、最適にチューニングされたPnPSplit+と比較してピーク再構成品質において上回ることはないが、ADMMパラメータが劣悪または過大な場合でも安定した再構成を提供する。このハイパーパラメータ・チューニングに対する感度の低さは、実用的な大きな利点として提示されている。著者らは、本手法が厳密に経験的に支持されたFNE範囲の外側でも効果的に動作すること、ただしその場合には収束は保証されないことを控えめに述べている。今後の課題として、この戦略をRED-PRO定式化へ拡張すること、および緩和パラメータ $\alpha$ の適応的戦略を調査することが示唆されている。