高速かつ解釈可能な非局所ニューラルネットワークを用いた画像ノイズ除去におけるグループスパース畳み込み辞書学習

自然画像における非局所自己相似性は、深層学習モデルにおいてますます人気のある事前情報となっています。それらのモデルは画像修復性能で成功を収めていますが、ブラックボックス構造のため解釈可能性に欠けています。我々の以前の研究では、辞書学習アルゴリズムを展開することで、最先端のブラックボックスモデルと同等の性能を持つ完全畳み込み型ノイズ除去器（CDLNet）の解釈可能な構築が可能であることを示しました。本稿では、非局所自己相似性事前情報を用いた畳み込みネットワークの解釈可能な構築を行い、ブラックボックス非局所モデルと同等の性能を達成することを目指します。我々は、CDLNet の $\ell 1$ 疎性事前情報を重み付きグループ疎性事前情報にアップグレードすることで、そのようなアーキテクチャを効果的に実現できることを示します。この定式化に基づいて、スパース配列演算によって可能となる新しいスライディングウィンドウ非局所操作を提案します。提案するスライディングウィンドウ疎注意機構は、競合するブラックボックス非局所 DNN と同等以上の性能を持ちつつ、推論速度が競合他社製品よりも1桁以上高速であることを示しています。