Dénoyage d'images naturelles : Optimalité et bornes inhérentes

L'objectif du dénoyage d'images naturelles est d'estimer une version propre d'une image bruitée donnée, en utilisant des connaissances préalables sur les statistiques des images naturelles. Le problème a été intensément étudié avec des progrès considérables réalisés ces dernières années. Cependant, il semble que les algorithmes de dénoyage d'images commencent à converger et que les algorithmes récents améliorent les précédents de seulement des valeurs fractionnelles en dB. Il est donc important de comprendre combien nous pouvons encore améliorer les algorithmes de dénoyage d'images naturelles et quelles sont les limites inhérentes imposées par les statistiques réelles des données. Le défi dans l'évaluation de ces limites est que la construction de modèles appropriés des statistiques d'images naturelles est un problème de longue date et encore non résolu. Pour surmonter l'absence de prior exact d'images, cet article adopte une approche non paramétrique et représente la distribution des images naturelles en utilisant un ensemble énorme de 10^10 patches. Nous dérivons ensuite une mesure statistique simple qui fournit une borne inférieure sur l'erreur quadratique moyenne bayésienne minimale (MMSE) optimale. Cela impose une limite sur les meilleurs résultats possibles des algorithmes de dénoyage qui utilisent un support fixe autour d'un pixel dénoyé et un prior d'image naturelle générique. Nos résultats suggèrent que pour de petites fenêtres, les algorithmes de dénoyage à la pointe de la technologie approchent de l'optimalité et ne peuvent être améliorés au-delà de ~0,1 dB.