[論文レビュー] Reweighted Low-Rank Tensor Decomposition based on t-SVD and its Applications in Video Denoising

M Baburaj, Sudhish N. George|arXiv (Cornell University)|Nov 18, 2016

Blind Source Separation Techniques被引用数 5

ひとこと要約

本稿では、t-SVDに基づく反復的重み付き低ランクテンソル分解法を提案し、動画ノイズ除去のためのテンソルロバスト主成分分析（TRPCA）を改善する。重み付きテンソル核ノルムとl1ノルムを用いることで、マルチランク近似とスパース成分回復が向上し、高ノイズおよび大規模マルチランク条件下で、既存のTRPCA手法を著しく上回る性能を発揮する。

ABSTRACT

The t-SVD based Tensor Robust Principal Component Analysis (TRPCA) decomposes low rank multi-linear signal corrupted by gross errors into low multi-rank and sparse component by simultaneously minimizing tensor nuclear norm and l 1 norm. But if the multi-rank of the signal is considerably large and/or large amount of noise is present, the performance of TRPCA deteriorates. To overcome this problem, this paper proposes a new efficient iterative reweighted tensor decomposition scheme based on t-SVD which significantly improves tensor multi-rank in TRPCA. Further, the sparse component of the tensor is also recovered by reweighted l 1 norm which enhances the accuracy of decomposition. The effectiveness of the proposed method is established by applying it to the video denoising problem and the experimental results reveal that the proposed algorithm outperforms its counterparts.

研究の動機と目的

• 高マルチランク信号および重いノイズを扱う際のTRPCAの性能低下を是正すること。
• テンソル核ノルムの反復的重み付けを導入することで、低ランクテンソル近似を改善すること。
• 重み付きl1ノルム最小化により、スパース成分回復を向上させること。
• 動画ノイズ除去用途に特化したロバストで効率的なテンソル分解フレームワークの構築

提案手法

• 低マルチランク構造をよりよく近似できるように、テンソル核ノルムの重みを段階的に更新する反復的重み付けスキームを導入する。
• スパース成分回復の精度を向上させるために、重み付きl1ノルム最小化を適用する。
• 動画データの低マルチランク性を活用するため、t-SVDを基本となるテンソル分解フレームワークとして採用する。
• 反復的重み付けの部分問題を効率的に解くために、交替方向乗数法（ADMM）または類似の最適化戦略を用いる。
• 現在の解の推定値に基づいて重みを更新することで、低ランクおよびスパース成分を段階的に改善する。
• 高次元テンソルデータにおけるノイズ耐性と収束安定性を向上させつつ、計算効率を維持する。

実験結果

リサーチクエスチョン

• RQ1 高マルチランク信号が存在する状況下でも、テンソル核ノルムの重み付けが低ランクテンソル近似を改善できるか？
• RQ2 重み付きl1ノルム最小化は、テンソル分解におけるスパース成分回復をどのように向上させるか？
• RQ3 提案手法は、高ノイズおよび大規模マルチランク条件下で、標準的なTRPCAを上回る動画ノイズ除去性能を示すか？
• RQ4 反復的重み付けは、テンソル分解における収束性および再構成精度にどのような影響を与えるか？

主な発見

• 真のマルチランクが大きい場合でも、提案手法は標準的なTRPCAに比べて顕著に優れたテンソルマルチランク近似を達成する。
• 重み付きl1ノルムは、より正確なスパース成分回復を実現し、動画ノイズ除去における残存ノイズやアーティファクトを低減する。
• ベンチマーク動画データセットにおいて、PSNRおよびSSIM指標で、既存のTRPCAベースの手法を上回る優れたノイズ除去性能を達成する。
• 反復的重み付けスキームにより、ノイズ耐性が向上し、高次元テンソルデータにおける収束安定性が改善される。