⚡ electrical engineering

Graph Signal Denoising Using Regularization by Denoising and Its Parameter Estimation

本文提出了一种基于去噪正则化（RED）的可解释图信号去噪方法，该方法利用包括图神经网络在内的多种图去噪器，并通过深度算法展开引入监督与无监督参数估计技术，从而实现了优于现有方法的去噪精度。

原作者： Hayate Kojima, Hiroshi Higashi, Yuichi Tanaka

发布于 2026-05-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Hayate Kojima, Hiroshi Higashi, Yuichi Tanaka

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你拥有一张城市地图，其中每座建筑都是一个点，连接它们的道路是线。现在，想象有人在这张地图上喷洒了随机的静态噪声，使得建筑的真实形状或街道的布局难以辨认。你的目标是在不抹除重要细节的前提下清理这张地图。

本文提出了一种新的、更智能的方法来清理这些“噪声地图”（作者称之为图信号）。以下是他们做法的简明解释：

1. 问题：清理混乱的两种途径

通常，人们尝试通过以下两种方式之一来清理噪声数据：

“规则手册”方法（基于模型）： 你遵循一套严格的数学规则（例如“邻居应看起来相似”）。这种方法非常合乎逻辑且易于理解，但有时可能过于僵化，会平滑掉重要细节，如锐利的角落或独特特征。
“学习”方法（数据驱动）： 你在成千上万个干净示例上训练一个计算机大脑（神经网络），使其学会什么是“好”的。这种方法非常强大，但需要海量的完美示例库供其学习。如果没有这些完美示例，它就会陷入困境。

2. 解决方案：“去噪正则化”（RED）

作者利用一种称为RED的技术，结合了上述两种方法的优势。

将 RED 想象成一位智能主管。

主管不再仅仅遵循僵化的规则手册，而是聘请一位“清理专家”（去噪器）来审视这张混乱的地图。
主管询问专家：“如果你来清理这张地图，你会做出什么改变？”
专家回答：“我会在这里平滑掉这个锯齿状边缘，但保留那里的锐利角落。”
主管随后利用这些建议来更新地图。

本文的奇妙之处在于，他们证明了这种“主管”方法不仅适用于图像（如清理模糊照片），也适用于这些复杂的“城市地图”（图）。他们表明，许多不同类型的“清理专家”（包括复杂的 AI 网络）都可以担任这一角色，前提是它们遵循几条简单的规则（例如，在清理时不改变地图的大小）。

3. 秘诀：学习“旋钮”

清理过程通常有一个控制清理强度的“旋钮”（参数）。

调得太低：噪声依然存在。
调得太高：你会抹除建筑细节，最终得到一个平滑但毫无特征的团块。

作者提出了两种寻找该旋钮完美设置的新方法：

“教师”方法（监督式）： 如果你拥有地图的干净版本可供对比，系统会通过尝试匹配教师的示例来学习旋钮的完美设置。
“自我教学”方法（无监督式）： 如果你没有干净版本，系统会使用一种称为Noise2Noise的技巧。它取同一张地图的两个不同噪声版本，通过观察其中一个来教导系统清理另一个。这就像通过比较同一场景的另一张模糊照片来修复一张模糊照片；系统学会忽略两张照片中不同位置出现的随机静态噪声。

4. 为何更优（图滤波器视角）

作者从数学角度审视了这一点，发现他们的方法充当了一种专用滤波器。

旧方法就像筛子，虽然让所有东西通过，但过度平滑了粗糙边缘（过度平滑）。
他们的 RED 方法则像是一个智能筛子，它去除“静态噪声”（高频噪声），但小心地不丢弃使地图看起来真实的“锐利细节”（重要的高频特征）。

5. 结果

他们在两件事上测试了这种方法：

合成数据： 他们生成了带有噪声的随机城市地图。他们的方法在清理效果上优于旧有的规则手册方法和标准 AI 方法。
真实数据： 他们使用了真实物体（如椅子和飞机）的 3D 模型。同样，他们的方法在去除噪声的同时保持了物体锐利的边缘，而其他方法则使物体看起来模糊或“糊状”。

简而言之： 他们为复杂数据网络构建了一个灵活、智能的清理系统。它可以利用不同类型的“清理专家”，懂得如何完美地自我调节（即使在没有完美示例的情况下），并在去除噪声的同时保持重要细节的锐利。

技术摘要：利用去噪正则化进行图信号去噪及其参数估计

问题陈述
图信号处理（GSP）对于分析定义在网络上的数据（如 3-D 点云、传感器网络和脑电图数据）至关重要。然而，图信号在测量过程中经常受到噪声污染。现有的去噪技术通常分为两类：基于模型的方法（如图拉普拉斯正则化），其具有可解释性但需要手动设计目标函数；以及数据驱动的方法（如图神经网络），其在拥有充足训练数据时表现良好，但往往缺乏可解释性且需要大量数据集。虽然像即插即用交替方向乘子法（PnP-ADMM）这样的混合方法已被提出以弥合这一差距，但它们通常因隐式目标函数而降低可解释性，并且需要多次迭代才能收敛。

方法论
本文提出了一种基于**去噪正则化（RED）**的图信号去噪框架，该技术最初是为图像复原开发的。核心优化问题表述为：
$\hat{x} = \arg\min_{\tilde{x}} \frac{1}{2}\|\tilde{x} - y\|_2^2 + \frac{\alpha_{red}}{2} \tilde{x}^\top (\tilde{x} - D_{graph}(\tilde{x}))$
其中 $y$ 是含噪观测值， $D_{graph}(\cdot)$ 是图信号去噪器（作为黑盒正则化器）， $\alpha_{red}$ 是正则化参数。

作者解决了三个主要技术挑战：

RED 在图信号中的适用性：本文从理论和实证上验证了广泛使用的图去噪器满足 RED 所需的温和条件（局部同质性和强被动性）。具体而言，它证明了图拉普拉斯正则化（LR）在特定的图构建假设下（例如，基于信号距离或高斯马尔可夫随机场的边权重）满足这些条件。实验结果进一步证实，图注意力网络（GAT）和 PnP-ADMM 在实际中也满足这些条件。
参数估计：为了优化正则化参数 $\alpha_{red}$ $α_{r e d}$ 和内部去噪器的超参数，作者提出了两种基于**深度算法展开（DAU）**的训练策略：
- 监督式：参数通过展开迭代的反向传播，利用真实干净信号进行学习。
- 无监督式：调整Noise2Noise框架以在没有干净真实标签的情况下训练参数，通过最小化同一信号的两个含噪版本之间的误差来实现。
图滤波器视角：作者从谱角度分析了 RED，证明 RED 梯度是内部去噪器滤波器的频率依赖缩放版本。与可能导致过度平滑的标准拉普拉斯正则化不同，RED 被证明在消除噪声的同时保留了高频分量。

主要贡献

RED 向 GSP 的扩展：这是首次尝试将 RED 应用于图像处理之外的图信号处理。本文确立了包括 GNN 在内的许多现有图去噪器在理论上或实际上与 RED 兼容。
可解释的混合框架：通过将去噪器明确纳入目标函数（而非像 PnP-ADMM 那样仅纳入算法步骤），所提出的方法在利用数据驱动去噪器能力的同时保持了可解释性。
图信号的无监督学习：本文引入了一种利用 Noise2Noise 进行图去噪的无监督参数估计方法，解决了许多现实场景中干净真实数据稀缺的问题。
算法实现：提供了一个迭代算法（算法 1）来求解 RED 优化问题，并规定了使用共轭梯度法或 ADMM 的选项。

实验结果
所提出的方法在合成带限图信号和真实世界 3-D 点云数据（ModelNet10）上进行了评估。

性能：在监督设置下，基于 RED 的方法（包括使用 LR 和 PnP 内部去噪器）始终比标准基于模型的方法（LR、PnP）和数据驱动的方法（GAT、未训练 GNN）基线实现了更低的均方误差（MSE）。
DAU 的有效性：结合深度算法展开的方法（RED-DAU）显著优于其未展开的对应方法，证明了学习特定迭代参数的益处。
无监督性能：无监督 RED 方法（RED-LR-无监督）尽管参数少得多，但仍优于现有的基于 GNN 的无监督方法（GAT、UGNN）。
可视化：3-D 点云的可视化结果表明，基于 RED 的方法有效地减少了噪声，同时保留了锐利特征，避免了基线方法中常见的过度平滑伪影。
计算成本：由于 RED 的嵌套迭代性质和内部去噪器调用，所提出的方法表现出比简单基线更高的计算时间。然而，作者认为这种成本被去噪精度的显著提升所证明是合理的。

意义与主张
本文声称提供了一种新的、可解释的图信号去噪范式，有效地平衡了基于模型和数据驱动的方法。通过证明 RED 可以成功适应图信号，并且其参数可以在监督和无监督设置中学习，这项工作为更稳健和自适应的信号复原技术指明了一条道路。作者得出结论，他们的方法在去噪精度方面克服了现有的基于模型、数据驱动和混合方法，突显了其在需要复杂网络上高保真信号复原的未来应用中的潜力。