[論文レビュー] A Comparative Study for the Weighted Nuclear Norm Minimization and Nuclear Norm Minimization

Zhiyuan Zha, Xinggan Zhang+3 more|arXiv (Cornell University)|Aug 16, 2016

Advanced Image Fusion Techniques被引用数 3

ひとこと要約

本稿は、重み付き核ノルム最小化（WNNM）が低ランク行列近似において核ノルム最小化（NNM）を上回る理由を、グループスパース表現（GSR）に結びつける理論的説明を提案する。WNNMがGSRにおける重み付きL1ノルム最小化と同等であることを示し、スパarsityの向上がより良いランク推定をもたらし、NNMや最先端手法と比較して優れた画像ノイズ除去性能を実証する。

ABSTRACT

The nuclear norm minimization (NNM) is commonly used to approximate the matrix rank by shrinking all singular values equally. However, the singular values have clear physical meanings in many practical problems, and NNM may not be able to faithfully approximate the matrix rank. To alleviate the above-mentioned limitation of NNM, recent studies have suggested that the weighted nuclear norm minimization (WNNM) can achieve a better rank estimation than NNM, which heuristically set the weight being inverse to the singular values. However, it still lacks a rigorous explanation why WNNM is more effective than NMM in various applications. In this paper, we analyze NNM and WNNM from the perspective of group sparse representation (GSR). Concretely, an adaptive dictionary learning method is devised to connect the rank minimization and GSR models. Based on the proposed dictionary, we prove that NNM and WNNM are equivalent to L1-norm minimization and the weighted L1-norm minimization in GSR, respectively. Inspired by enhancing sparsity of the weighted L1-norm minimization in comparison with L1-norm minimization in sparse representation, we thus explain that WNNM is more effective than NMM. By integrating the image nonlocal self-similarity (NSS) prior with the WNNM model, we then apply it to solve the image denoising problem. Experimental results demonstrate that WNNM is more effective than NNM and outperforms several state-of-the-art methods in both objective and perceptual quality.

研究の動機と目的

• すべての特異値を均等に圧縮するため、行列ランクを忠実に近似できない核ノルム最小化（NNM）の限界を解消すること。
• WNNMがNNMを上回る経験的成果を説明する厳密な理論的根拠を提供すること。
• 適応的辞書学習法を用いて、低ランク行列回復とグループスパース表現（GSR）の間の関係を確立すること。
• 非局所自己類似性（NSS）をWNNMと統合し、画像ノイズ除去性能を向上させること。

提案手法

• 低ランク行列回復をグループスパース表現（GSR）フレームワークにマッピングする適応的辞書学習法を開発する。
• NNMがGSRモデルにおけるL1ノルム最小化と同等であるのを証明し、WNNMが重み付きL1ノルム最小化に対応することを示す。
• 理論的同等性を用いて、WNNMがスパarsityを向上させ、NNMよりも優れたランク近似を達成する理由を説明する。
• 非局所自己類似性（NSS）の事前知識をWNNMモデルに統合し、画像ノイズ除去性能を向上させる。
• NSS制約を含むWNNMに基づく最適化問題として画像ノイズ除去問題を定式化する。
• 広範な実験により検証された効率的なアルゴリズムで、得られた最適化問題を解く。

実験結果

リサーチクエスチョン

• RQ1 実際の応用において、なぜ重み付き核ノルム最小化（WNNM）が核ノルム最小化（NNM）よりも優れたランク推定を達成するのか？
• RQ2 低ランク行列回復とグループスパース表現（GSR）の間の理論的関係は何か？
• RQ3 重み付きL1ノルム最小化によるスパarsityの向上は、なぜWNNMがNNMを上回るのかを説明できるか？
• RQ4 WNNMと非局所自己類似性（NSS）を組み合わせることで、画像ノイズ除去性能はどの程度向上するか？
• RQ5 提案手法は、客観的品質と主観的品質の両面で、最先端の画像ノイズ除去技術と比較してどのように差をつけるか？

主な発見

• WNNMは理論的にグループスパース表現（GSR）フレームワークにおける重み付きL1ノルム最小化と同等であり、NNMは標準L1ノルム最小化に対応する。
• 重み付きL1ノルム最小化によるスパarsityの向上が、WNNMがNNMよりも優れたランク近似を達成する理由を説明する。
• 非局所自己類似性（NSS）をWNNMと統合することで、画像ノイズ除去性能が向上する。
• 提案手法は、定量的指標と主観的品質の両面で、多数の最先端画像ノイズ除去手法を上回る。
• 実験結果により、WNNMがさまざまなベンチマークデータセットにおいて、NNMよりも優れたノイズ除去結果を達成することが確認された。