Noise2Self [Kor]

Batson et al. / Noise2Self Blind Denoising by Self-Supervision / ICML 2019

Batson Joshua, and Loic Royer, "Noise2self: Blind denoising by self-supervision.", International Conference on Machine Learning. PMLR, 2019.

---> English version of this article is available.

해당 논문에서는 노이즈 특성에 대한 사전 학습 그리고 clean 이미지 라벨 값 없이, 노이즈 데이터만 사용하여 노이즈를 없애는 self-supervision 방식의 디노이즈 방법을 제안했습니다.

1. Problem definition

- 전통적인 디노이즈 방법과 Supervised-learning 방법 :

1) 노이즈 특성 학습을 통한 denoise 그 동안 디노이즈하기 위해서는 노이즈 특성을 사전학습시켜야 했습니다. 하지만 이 경우, 내가 학습시키지 않은 새로운 노이즈가 인풋으로 들어오면 제대로된 성능을 보이지 않는다는 단점이 있습니다. 또한, smoothness의 정도 혹은 어느 정도 유사하게 만들 것인지에 대한 정도, matrix의 rank 등 다양한 하이퍼파라미터의 조정이 필요하고 하이퍼파라미터에 따라 성능이 많이 달라집니다.

2) 지도학습 (노이즈 이미지 & clean 이미지) 노이즈 자체에 대한 학습으로 denoise하는 것이 아닌, 같은 target의 노이즈 이미지와 clean 이미지를 각각 x와 y 값으로 넣어 훈련시키는 지도 학습 방법도 있습니다. (data-driven prior)

∣∣fΘ(x)−y∣∣2||f_{Θ}(x)-y||^2 이 경우 위와 같은 loss 함수식을 통해서 노이즈 데이터 x를 디노이즈 함수 fΘf_{Θ} 에 통과시킨 결과와 ground truth인 y의 차이를 최소화시키는 것을 목표로 합니다. Convolution neural network에도 사용할 수 있어 다양한 영역에서 좋은 성능을 보이고 있지만 오랜 시간 훈련이 필요합니다. 또한, 만약 생체 데이터를 사용하는 경우 clean 이미지를 얻는 것이 어렵기 때문에 해당 방법으로 훈련시키는 데 어려움이 있습니다.

3) 지도학습 (only 노이즈 이미지)

Noise2noise 논문에서는 라벨 y 값에 clean 이미지가 아닌, 노이즈 이미지를 넣어 훈련시키는 방법을 제안했습니다. clean 이미지 라벨이 없더라도 기존의 denoise 모델만큼의 성능을 보였습니다.

4) Propsed : 자기지도 학습 (라벨 값도 없음)

해당 논문에서는 전통적인 디노이즈 방법보다 성능이 더 좋으면서, clean 이미지 라벨이 없이도 디노이즈를 수행할 수 있는 자기지도 학습 방식의 디노이즈 방법을 제안했습니다. 라벨 값 없이 오로지 노이즈 이미지만 인풋시켜 노이즈를 제거했습니다.

  • self-supervised loss : L(f)=E∣∣f(x)−x∣∣2L(f) = E||f(x)-x||^2 자기지도 학습은 위의 식 처럼 라벨 y값 대신, x값 자기 자신이 들어갑니다. 이 식을 간단하게 증명하면 아래와 같습니다.

E∣∣f(x)−x∣∣2=E∣∣f(x)−y+y−x∣∣2=E∣∣f(x)−y∣∣2+E∣∣x−y∣∣2E||f(x)-x||^2 = E||f(x)-y+y-x||^2 = E||f(x)-y||^2 + E||x-y||^2 이때, x는 노이즈 이미지이며 f(x)는 J-invariant 함수를 통과한 결과 값입니다. y는 clean 이미지를 나타냅니다. 그리고 E∣∣f(x)−y∣∣2E||f(x)-y||^{2}는 Ground truth loss 결과를 의미하고 ∣∣x−y∣∣2||x-y||^{2}는 loss variance를 의미합니다. 즉, self-supervised loss는 Ground truth loss와 loss variance의 합을 나타냅니다. 위 증명에 따라 self-supervised loss는 라벨 y값 없이 loss를 구할 수 있습니다. self-supervised loss를 최소화시키는 방향으로 학습함으로써 최적의 denoiser 함수를 찾을 수 있습니다.

2. Motivation

Related work

노이즈를 제거하는 다양한 방법들을 소개합니다.

1) 전통적인 방법

  • Smoothness : 중앙 픽셀이 주변 픽셀과 유사한 값을 갖도록 주변 픽셀들과의 평균값을 구해서 노이즈를 제거하는 방법입니다. Gaussian, median 등 노이즈를 제거하는 필터를 사용합니다.

  • Self-Similarity : 이미지 내에 비슷한 부분(patch)들이 있는데, 중앙 픽셀값을 서로 비슷한 patch들 간의 가중 평균값으로 대체하는 방법입니다. 하지만 하이퍼파라미터 조작이 성능에 큰 영향을 미치고 노이즈 분포를 모르는 새로운 데이터셋은 동일한 성능을 보기 어렵다는 단점이 있습니다.

2) Convolutional neural networks을 사용한 방법

  • Generative : 미분 가능한 생성 모델를 통해 노이즈를 제거할 수 있습니다.

  • Gaussianity : 노이즈가 indepentent identically distributied (i.i.d)한 가우시안 분포를 따르고 있는 경우 신경망을 훈련시키기 위해서 stein's unbiased risk estimator를 사용합니다.

  • Sparsity : 이미지가 sparse 한 경우 압축 알고리즘을 사용하여 디노이즈를 수행합니다. 하지만 이 경우 이미지에 불순물이 남는 경우가 많았고, sparse한 특성을 찾기 위한 많은 사전 학습이 필요하다는 단점이 있습니다.

  • Compressibility : 노이즈가 있는 데이터를 압축했다가 다시 압축을 푸는 과정으로 노이즈를 제거합니다.

  • Statistical Independence : 동일한 인풋 데이터로부터 독립적인 노이즈를 측정해서 실제 노이즈를 예측하도록 UNet을 훈련시켰을 때, 훈련된 UNet이 실제 신호를 예측한다는 것을 제안했습니다 (Noise2Noise).

Idea

위처럼 노이즈가 있는 이미지를 복원하는 방법은 그동안 많이 발표되어 왔습니다. 노이즈를 제거하는 Smoothness 같은 전통적인 방법부터 최근에는 UNet과 같은 Convolutional neural network를 활용한 방법까지 다양합니다. 하지만 이 방법들은 사전에 노이즈의 특성을 학습해야 하거나 clean한 이미지가 있어야 가능한 방법들이었습니다. 해당 논문에서는 그동안 나왔던 supervised learning 방법이 아닌, self-supervision 기반한 노이즈 제거 방법을 아래와 같이 제시했습니다.

3. Method

- Example : classic denoiser vs donut denoiser

  • Median filter (classic denoiser) : 각 픽셀을 반지름 r인 disk의 중앙값으로 대체하는 median filer를 사용함 → grg_{r}

  • Donut median filter (donut denoiser) : center 부분을 제거했다는 것 외에 classic denoiser와 동일함, 논문에서 말하는 J-invariant 함수에 해당함 → frf_{r}

위 그래프에서 각 denoiser에 따른 차이를 볼 수 있습니다. r은 각 filter의 반지름 길이를 의미합니다. donut denoiser (파란색)의 경우 self-supervised의 최소값(빨간색 화살표)은 ground truth의 최소값과 동일선(r=3) 상에 위치하고 있습니다. 이때 self-supervised와 ground truth의 수직적인 차이가 variance of the noise에 해당합니다. 이는 위에서 봤던 self-supervised loss 수식과 일치하는 결과입니다. 이에 반해 classic denoiser (주황색)의 경우 self-supervised MSE는 계속 증가하고 있고 ground truth 결과와 연관지을 수 있는 부분이 없습니다. 즉, donut denoiser는 self-supervise로 loss 값을 조정할 수 있지만, classic denoiser에서는 ground truth가 있어야만 loss값을 조정할 수 있다는 걸 알 수 있습니다.

- J-invariant function : fΘf_{Θ}

fΘ(x)J:=gΘ(1Jㆍs(x)+1Jcㆍx)Jf_{Θ}(x)_{J} := g_{Θ}(1_{J}ㆍs(x) + 1_{J^c}ㆍx)_{J}

J-invariant fΘf_{Θ} 함수는 위와 같이 정의할 수 있습니다. gΘg_{Θ} 는 classical denoiser를 의미하며, J(J ∈ J)는 mask처럼 인접한 픽셀과 구분짓도록 파티션의 역할을 합니다. s(x)는 각 픽셀들을 인접한 픽셀들의 평균값으로 바꾸는 함수(interpolation, 보간법)입니다. 즉, fΘf_{Θ} 함수는 J에 해당하는 영역에만 s(x)로 interpolation을 시키고 그 이외의 지역은 원본 이미지 x를 그대로 적용한 다음에 classical denoiser를 적용합니다. classical denoiser인 gΘg_{Θ}를 J-invariant function 적용시킨 결과가 fΘf_{Θ}인 것입니다. J공간에 있는 x를 interpolation 한 후 gΘg_{Θ}를 했기 때문에 fΘ(x)Jf_{Θ(x)J}는 xJx_{J}와는 독립적인 결과가 나옵니다. 결과적으로 이미지 x를 classical denoiser gΘ에 바로 적용했을 때보다 interpolation을 적용한 후 gΘg_{Θ} 적용했을 때 성능이 더 좋았습니다.

4. Experiment & Result

Experimental setup

DatasetHanziCellNetImageNet

Image size

64x64

128x128

128x128(RGB)

batch size

64

64

32

epoch

30

50

1

J-invariant function를 적용시켜 Self-supervised 했을 때의 디노이즈 성능을 비교했습니다. 데이터 셋은 총 3가지로, 한자 데이터 셋인 Hanzi와 현미경 데이터 셋인 CellNet 그리고 ImageNet 데이터 셋을 사용했습니다.

신경망 기본구조로는 Unet과 DnCNN을 사용해 각각의 성능을 비교했습니다. 특히, Unet은 contracting path에서의 이미지 사이즈와 expanding path에서의 이미지 사이즈가 동일하다는 특징을 갖고 있습니다. 이런 특징을 활용하여 skip connection에서 두 이미지를 같이 연산할 수 있습니다. 이는 self-supervised learning 의 원리처럼 동일한 target 데이터를 가지고 x와 f(x)를 연산하는 방법과 유사합니다. J-invariant는 총 25개 subsets을 사용했고, 평가지표로는 최대 신호 대 잡음비(Peak-Signal-to-Noise Raio, PSNR)을 사용했습니다. PSNR의 단위는 db이며 값이 클수록 화질 손실이 적다는 것을 의미합니다.

Result

5. Conclusion

Noise2Self는 기존의 디노이즈 방법과는 다르게 self-supervision 방식으로 노이즈를 제거했습니다. 노이즈에 대한 사전 학습 혹은 clean 이미지 라벨이 없이 오로지 노이즈 데이터만 가지고 훈련할 수 있다는 것이 이 모델의 가장 큰 장점입니다. 하지만 J의 크기를 어떻게 설정하느냐에 따라서 bias과 variance간의 trade-off가 있다는 한계점이 있습니다.

Take home message (오늘의 교훈)

self-supervised learning을 활용하면 라벨 데이터가 없어도 학습할 수 있다.

noise 데이터와 이 데이터를 J-invariant funtion f(x)에 넣어서 나온 결과 값은 서로 독립적인 관계이다.

self-supervised learning으로 noise 데이터와 J-invariant funtion 결과값 만으로도 디노이즈 기능을 수행할 수 있다.

Author / Reviewer information

Author

Hyunmin Hwang / 황현민

Reviewer

  1. Korean name (English name): Affiliation / Contact information

  2. Korean name (English name): Affiliation / Contact information

  3. ...

Reference & Additional materials

  1. Batson, J.D., & Royer, L.A. (2019). Noise2Self: Blind Denoising by Self-Supervision. ArXiv, abs/1901.11365. (link)

  2. Lehtinen, J., Munkberg, J., Hasselgren, J., Laine, S., Karras, T., Aittala, M., & Aila, T. (2018). Noise2noise: Learning image restoration without clean data. arXiv preprint arXiv:1803.04189. (link)

  3. Local averaging (link)

  4. Noise2Self github (link)

  5. MIA: Josh Batson, Noise2Self: Blind denoising by self-supervision YouTube video (link)

  6. PSNR (link)

  7. Ronneberger, O., Fischer, P., & Brox, T. (2015, October). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention (pp. 234-241). Springer, Cham. (link)

PreviousShot in the dark [Kor]NextNoise2Self [Eng]

Last updated