Technische Samenvatting: GALOSH – Blind, Training-vrij Denoising via Parallel-vriendelijke Lokale Shrinkage

1. Probleemstelling

Beeldruisreductie (denoising) wordt momenteel gedomineerd door twee afzonderlijke families, die elk aanzienlijke beperkingen kennen:

• Klassieke Training-vrije Methoden (bijv. BM3D, Non-Local Means): Deze methoden generaliseren goed over verschillende sensoren zonder trainingsdata, maar vertrouwen zwaar op inhoudsafhankelijke zoekacties (block matching, neighborhood weighting). Dit zoekmechanisme creëert onregelmatige geheugentoegang en datagedreven control flow, wat vectorisatie, GPU-bezetting en implementaties met een vaste latentie belemmert. Bovendien gaan ze doorgaans uit van een bekend ruisniveau.
• Geleerde Methoden (CNN's, Transformers): Deze bereiken de hoogste kwaliteit binnen hun trainingsdomein, maar vereisen uitgebreide trainingsparen, lijden onder catastrofale degradatie buiten hun trainingsdistributie en vereisen hoge computationele budgetten (tienduizenden MAC's per pixel) die effectief GPU-acceleratie noodzakelijk maken.

De paper stelt de vraag: Hoeveel van de kwaliteit van de klassieke familie blijft behouden als de zoekactie bij ontwerp wordt verwijderd? Het doel is om een blinde, training-vrije, multi-domein denoiser te creëren die snel, paralleliseerbaar en geschikt is voor hardware met een vaste latentie, zonder in te boeten op perceptuele kwaliteit.

2. Methodologie: GALOSH

GALOSH (Generalized Anscombe LOcal SHrinkage) vervangt de zoekgebaseerde architectuur van klassieke methoden door een pipeline waarbij elke fase lokaal, regelmatig en dataonafhankelijk is. De computationele graaf is vast voor elke pixel, wat triviale parallellisatie mogelijk maakt.

De pipeline bestaat uit vier kernfasen:

A. Blinde Ruischatting

In plaats van uit te gaan van een bekend ruisniveau, past GALOSH een Poisson–Gaussian ruismodel ($Var[x] = \alpha E[x] + \sigma^2$) direct toe op het ruisige frame. Dit wordt bereikt via robuuste regressie van lokale Laplaciaanse variantie tegenover de lokale gemiddelde over overlappende blokken (een Foi-stijl estimator), wat per beeld parameters $(\alpha, \sigma^2)$ oplevert zonder oracle-data of kalibratie.

B. Variantiestabilisatie (GAT)

Een Generalized Anscombe Transform (GAT) brengt de signaalafhankelijke ruis over naar een benadering met een eenheidsvariantie Gaussische verdeling. Hierdoor kan een enkele globale drempelwaarde geldig zijn voor het gehele frame. De transformatie gebruikt een exacte ongebiasde inverse voor reconstructie.

C. Two-Pass Local Luminance Shrinkage (LOSH)

Luminantie wordt gedenoised met behulp van een cycle-spun lokale shrinkage op overlappende $8 \times 8$ Walsh–Hadamard blokken, wat de collaboratieve 3D-stack van BM3D vervangt:

1. Pass 1: Past een robuuste BayesShrink drempelwaarde toe om een pilot-schatting te genereren.
2. Pass 2: Past een empirische Wiener-gain toe die berekend is uit de coëfficiënten van de pilot.
   Overlappende blokken worden gecombineerd via windowed overlap-add. Dit verwijdert alle inhoudsafhankelijkheid terwijl de "shrink-then-Wiener" verfijningsarchitectuur van BM3D behouden blijft.

D. Luminance-Guided Chrominance Regression

Chrominantie wordt anders behandeld dan luminantie op basis van perceptuele vereisten:

• Luminantieruis verschijnt als korrel en coëxisteert met texture; daarom wordt het conservatief ingekrompen om hoogfrequente structuren te behouden.
• Chrominantieruis verschijnt als onacceptabele kleurvlekken; daarom wordt het agressiever gladgestreken.
  Chrominantie-vlakken worden gedenoised via een degree-1 locally-weighted regression (LOESS) die wordt gestuurd door de gedenoisede luminantie. Een multi-scale residu-pyramide handelt grote korrelige vlekken af. Cruciaal is dat gereconstrueerde chrominantiewaarden worden afgekapt aan het lokale input-chrominantebereik om het "verzinnen" van kleuren die niet in de input aanwezig waren te voorkomen.

Domain Front-Ends

Een enkele kern opereert op twee inputs:

1. GALOSH-RAW: Werkt direct op Bayer-mosaics. Een $2 \times 2$ Walsh–Hadamard transform splitst elk kwadraat in volledige resolutie luminantie- en half-resolutie chrominantievlakken.
2. GALOSH-YUV/RGB: Werkt op gerenderde sRGB-beelden. De input wordt gelineariseerd en omgezet naar BT.709 YCbCr; chrominantie wordt verwerkt op volledige resolutie zonder subsampling.

3. Belangrijkste Bijdragen

1. Search-Free Pipeline: Een volledig blinde, training-vrije denoising-pipeline waarbij alle fasen lokaal, regelmatig en dataoonafhankelijk zijn, voorzien van een gedeelde kern met twee domain front-ends (Raw Bayer en sRGB/YUV).
2. Perceptuele Superieuriteit over Klassieke Methoden: Bewijs over vier real-noise benchmarks (SIDD Medium, RawNIND) laat zien dat GALOSH de sterkste blinde, training-vrije methode is, die de BM3D- en NLM-families overtreft, zelfs wanneer deze baselines een oracle ruisniveau krijgen.
3. Snelheid en Hardware-efficiëntie: Een demonstratie dat het verwijderen van de zoekactie enorme snelheidsverbeteringen oplevert (7×–650× sneller dan deep learning baselines op GPU) en praktische CPU-prestaties biedt. De vaste computationele graaf is aangetoond goed te mappen naar fixed-point en streaming hardware via een operatie-telling analyse en een werkende INT16 realisatie.

4. Experimentele Resultaten

De paper evalueert GALOSH tegen klassieke baselines (BM3D, NLM, en hun varianten) en deep learning baselines (Blind2Unblind, NAFNet, Restormer, SCUNet) op Raw Bayer en sRGB domeinen.

• Raw Domein: GALOSH bereikt de beste perceptuele metrieken (LPIPS, DISTS) onder alle blinde, training-vrije methoden met een ruime marge, en sluit het gat met het getrainde Blind2Unblind netwerk zonder enige training.
• sRGB Domein:
  • GALOSH verslaat blind klassieke methoden beslissend (bijv. 35.01 dB vs. 27–29 dB op SIDD sRGB).
  • Zelfs wanneer klassieke methoden een oracle ruisniveau krijgen, halen ze de kwaliteit van GALOSH niet, wat bewijst dat het voordeel in het algoritme ligt en niet enkel in de ruischatting.
  • Vergelijking met Getrainde DL: Op in-domain data (SIDD) behouden getrainde netwerken (bijv. NAFNet) een bescheiden voorsprong. Echter, op cross-domain data (RawNIND) bij hoge ISO, behouden getrainde netwerken slechts een kleine voorsprong (+0.3–0.7 dB) over GALOSH, terwijl GALOSH klassieke methoden significant overtreft. Opvallend genoeg blijft GALOSH numeriek stabiel in bijna-zwarte scènes waar sommige getrainde netwerken divergeren.
• Snelheid:
  • GPU: 0.76s per 16-MP raw frame (vs. 5.6s voor Blind2Unblind) en 0.87s per 15.8-MP sRGB frame (vs. 13.5s–565s voor DL baselines).
  • CPU: GALOSH is de enige sterke methode die praktisch bruikbaar is op CPU's, waarbij het 2–3× sneller draait dan BM3D-CFA/NLM-CFA op raw data en sneller is dan Color-NLM op sRGB met hogere kwaliteit.

5. Betekenis en Claims

De paper claimt dat GALOSH aantoont dat zoekacties niet essentieel zijn voor hoogwaardige denoising. Door de zoekactie te vervangen door een variantiestabiliserende, cycle-spun lokale shrinkage en een luminantie-gestuurde regressie, behoudt en breidt de methode de kwaliteit van de klassieke familie uit terwijl zij bereikt:

• Blindheid: Geen trainingsdata of ruisniveau oracle vereist.
• Multi-Domain Dekking: Een enkele kern behandelt zowel raw mosaics als gerenderde afbeeldingen.
• Parallellisme en Latentie: De vaste, dataoonafhankelijke structuur maakt implementaties met een vaste latentie en een natuurlijke mapping naar fixed-point streaming hardware mogelijk (ondersteund door een INT16 realisatie).
• Robuustheid: Het vermijdt de domeindegradatie en numerieke instabiliteit die soms bij getrainde netwerken worden gezien.

De auteurs positioneren GALOSH niet als een state-of-the-art kwaliteit-competitor voor in-domain getrainde netwerken, maar als een superieure oplossing voor de specifieke beperkingen van blinde, training-vrije, multi-domein en hardware-efficiënte denoising.