Edge-Aware Volume Smoothing Using L0 Gradient

Abstract

• 在本文中，我们提出了一种基于L0梯度最小化框架的新型体积去噪/平滑方法.
• 通过具有半二次分裂的交替优化策略可以快速地解决该过程.
• 虽然所提出的L0体积梯度最小化方法可以有效地去除均匀材料中的噪声，但是提出了模糊 - 锐化策略以减少噪声或平滑边界上的局部细节。

Introduction

• 即使使用高分辨率扫描仪，在体积采集过程中也不可避免地会引入混叠和噪声。
• 这种噪声可能会破坏强度方面的显着特征，特别是低对比度结构和小物体，这使得基于强度的体积分析方法无法产生准确的特征信息并产生视觉混淆和渲染结果中的误解。
• 噪声是体积可视化的一大挑战，在预处理步骤中经常需要去噪/平滑，以减少噪声，同时保留重要特征
• 高斯滤波器广泛用于体积平滑，但边界也模糊。
• 一种新的边缘感知各向异性扩散模型基于沿梯度的方向二阶导数来定义边界，以在保持边界和细小管状结构的同时对体积进行去噪。
• 它直接测量信息稀疏性，对抽象主要结构信息非常有用。 与先前的边缘保持方法相比，所得到的信号抑制了噪声/细节，并保留并锐化了显着的边缘。 同时，这种方法不会引入任何边缘模糊，因为它不是基于本地滤波器。
• 我们可以在L0梯度最小化的情况下限制相邻体素之间的强度变化的数量。
• 我们采用具有半二次分裂的交替优化策略来优化该过程。
• 所提出的L0体积梯度最小化非常有助于以较低的梯度幅度抑制不太重要的细节和噪声，同时锐化和增强显着特征。
• L0体积梯度最小化可以在相对均匀的材料中完美地平滑细节和噪声，但是由于它们相对高的梯度幅度，它不能有效地抑制边界上的细节和噪声。
• 线性滤波器首先用于平滑边界上的噪声，然后将所提出的L0体积梯度最小化应用于平滑的体积，以减少模糊噪声并锐化模糊边界。

Related Work

• 局部过滤通常用其邻居的加权平均值替换该值，并且权重通常与空间距离和/或值差异相关
• 高斯滤波器可有效去除体积中的噪声，但无法保留特征的边界，从而导致边界周围的过度平滑效应。
• 扩散是基于局部滤波的迭代过程。 各向异性扩散通常用于抑制噪声，同时保留重要结构。 它的能力取决于停止功能，以防止平滑过强边缘，否则会导致边缘模糊。
• 由于这些各向异性扩散方法通常在每次迭代中应用局部滤波，因此它们在最终结果中会在一定程度上模糊边缘。
• 本文所提出的方法避免了局部滤波，并且是一种平滑低梯度幅度区域同时保持甚至锐化突出边界的全局方法。
• L0最小化是一种基于离散计数空间强度变化原理的新的精确定义和强大的平滑框架。
• 与局部平滑方法相比，它可以减少低梯度幅度细节并全局保留和增强显着特征，即使数据是低对比度或重要特征很小。
• 对于特征边界上的噪声，我们展示了如何使用此方法在局部滤波器之后保留和锐化模糊边界的边界以平滑边界。

Volume Denoising / Smoothing Using L0 Gradient Minimization

• 在本文中，我们假设标量体积可以大致分为两部分：相对均匀的材料区域和不同材料之间的边界。
• 我们引入L0体积梯度最小化方法来抑制它由于其相对较低的梯度。该方法不能有效地去除边界上的噪声，因为这些噪声边界通常具有比相对均匀区域中的体素更高的梯度量值。
• 我们进一步提出了模糊锐化策略，该策略首先应用局部滤波器来模糊噪声，特别是边界上的噪声，然后采用L0体积梯度最小化方法来进一步消除材料和边界中的噪声，并缩小和保留 当地过滤器后边界模糊的边界。
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 

Boundary Smoothing Using Blurring-Sharping Strategy

• 

• 

• 

Result and Discussion

• 
• 

Conclusions

• 在本文中，我们提出了一种基于L0梯度最小化框架的体积可视化的体积去噪/平滑方法。
• 基本思想是全局控制结果中非零梯度的体素数。 它以较低的梯度幅度抑制不太重要的细节和噪声，并锐化和增强显着特征。 除了均匀材料中的平滑噪声外，我们还提出了模糊锐化策略来减少边界上的噪声。
• 该策略可以有效地用于体积去噪和平滑，并且结果包含具有平滑边界和视觉上令人愉悦的结构的显着特征，同时与原始体积一致。 我们的实验证明了我们方法的有效性和有效性。
• 与双边滤波器和边缘感知各向异性扩散相比，我们的方法在处理具有低梯度幅度的区域噪声方面更有效。