特別小特集 1. 画像復元における分析・合成システム

電子情報通信学会 - IEICE会誌 試し読みサイト
Vol.106 No.1 (2023/1) 目次へ

前の記事へ次の記事へ


特別小特集 1. 画像復元における分析・合成システム Analysis and Synthesis Systems in Image Restoration 村松正吾

村松正吾 正員:シニア会員 新潟大学工学部工学科

Shogo MURAMATSU, Senior Member (Faculty of Engineering, Niigata University, Niigata-shi, 950-2181 Japan).

電子情報通信学会誌 Vol.106 No.1 pp.2-9 2023年1月

©電子情報通信学会2023

1.は じ め に

 本稿では,画像の分析・合成システムの役割に焦点を当て,画像復元を概説する.まず,画像復元の目的と古典的な手法の例を紹介する.次に,画像復元とスパースモデリングの関係を説明する.また,同モデリングにおける事前知識としての画像生成過程の役割を説明し,画像合成のための畳込み辞書とその学習について説明する.最後に求解アルゴリズム中に現れる分析・合成処理に着目し,深層ループ展開(Deep Unrolling)や深層画像事前分布(DIP: Deep Image Prior)との関係と解釈にも触れる.

 計測技術の発展とともに多様な画像データが取得可能となった.例えば,光学カメラのほか,車載や監視のためのレーダ,生体の断層撮像,天体の電波観測などである.同時に,高性能な画像復元が求められ,観測の物理的な機序を効果的に表現できるモデルが望まれている(1)(3)

 これらモデリングに畳込みネットワークが活用されている.同ネットワークは,画像の局所的な関係性を利用し,要素画像の結合として観測過程や対象物を効率的に表現する(4).特に,非線形処理とともに多層構造とした深層畳込みニューラルネットワーク(DCNN: Deep Convolutional Neural Network)は,認識に加え復元にも著しい性能改善をもたらした(5),(6).DCNNは,その高い汎用性の一方で,低い解釈性と説明可能性に課題がある.領域知識を生かした系統的・戦略的な構造の設定や学習は容易ではない.画像復元は科学計測や医療支援など装置や対象がしばしば限定されるため,応用ごとの環境や条件に合わせた領域知識の利用が望まれる.

 本稿では線形システム,特にフィルタバンク(FB: Filter Bank)(7),(8)に焦点を当て,スパースモデリングと凸最適化アルゴリズムの観点から畳込みネットワークを読み解く(1)(6).結果として,解釈性や説明可能性の向上に役立つ事実を積み上げ,応用に適したネットワーク構造の設定や教師データに応じた学習法など領域知識を反映した画像復元の系統的・戦略的なアプローチを解説する.

2.画像復元の概要

 本稿では,math個の実数値から成る画像をユークリッド空間math内の列ベクトルとして扱う.図1に本稿で扱う復元問題の概略を示す.原画像mathが劣化を受けて観測画像mathとなる様子を示す.画像復元は,観測画像mathから原画像mathの推定mathを得る処理である.図中のmathは画像を生成するための基本的な波形から成る行列で,本稿ではmathを合成辞書と呼ぶ.mathは画像をその基本的な波形の重み付け和で表現するために利用される.mathはその重みを要素として持つベクトルである.本稿ではmathを係数ベクトル若しくは単に係数と呼ぶ.合成辞書mathと係数ベクトルmathについては4.で改めて説明する.

図1 本稿で扱う復元問題の概略図  劣化した観測画像vから原画像uを推定.事前知識として生成過程を考慮.


続きを読みたい方は、以下のリンクより電子情報通信学会の学会誌の購読もしくは学会に入会登録することで読めるようになります。 また、会員になると豊富な豪華特典が付いてきます。


続きを読む(PDF)   バックナンバーを購入する    入会登録

  

電子情報通信学会 - IEICE会誌はモバイルでお読みいただけます。

電子情報通信学会誌 会誌アプリのお知らせ

電子情報通信学会 - IEICE会誌アプリをダウンロード

  Google Play で手に入れよう

本サイトでは会誌記事の一部を試し読み用として提供しています。