[논문 리뷰] Reweighted Low-Rank Tensor Decomposition based on t-SVD and its Applications in Video Denoising

M Baburaj, Sudhish N. George|arXiv (Cornell University)|2016. 11. 18.

Blind Source Separation Techniques인용 수 5

한 줄 요약

이 논문은 t-SVD를 기반으로 한 반복적 재가중 처리된 낮은 질량 텐서 분해 방법을 제안하여 비디오 노이즈 제거를 위한 텐서 강건 주성분 분석(TRPCA)을 향상시킨다. 텐서 핵 노름과 l1 노름에 대한 재가중 처리를 통해 다중질량 근사 및 희소 성분 복원 성능을 향상시켜 고노이즈 및 큰 다중질량 조건에서 기존 TRPCA 방법보다 뚜렷이 뛰어난 성능을 발휘한다.

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.

연구 동기 및 목표

• 고다중질량 신호와 무거운 노이즈를 다룰 때 TRPCA의 성능 저하 문제를 해결하기 위해.
• 텐서 핵 노름의 반복적 재가중 처리를 도입하여 낮은 질량 텐서 근사 성능을 향상시키기 위해.
• 재가중 처리된 l1 노름 최소화를 통해 희소 성분 복원 성능을 향상시키기 위해.
• 비디오 노이즈 제거 응용에 특화된 강건하고 효율적인 텐서 분해 프레임워크를 개발하기 위해.

제안 방법

• 다중질량 낮은 질량 구조를 더 잘 근사하기 위해 텐서 핵 노름에 대한 적응적 가중치 갱신을 수행하는 반복적 재가중 기법을 도입한다.
• 텐서 분해에서 희소 성분 복원 정확도를 향상시키기 위해 재가중 처리된 l1 노름 최소화를 적용한다.
• 비디오 데이터의 낮은 다중질량 특성을 활용하기 위해 t-SVD를 기본 텐서 분해 프레임워크로 활용한다.
• 반복적 재가중 하위문제를 효율적으로 해결하기 위해 분할된 다중승수 방법(ADMM) 또는 유사 최적화 전략을 사용한다.
• 현재 해의 추정치를 기반으로 가중치를 갱신함으로써 낮은 질량 및 희소 성분을 반복적으로 개선한다.
• 고노이즈 및 고다중질량 시나리오에서 분해 정확도를 크게 향상시키면서도 계산 효율성을 유지한다.

실험 결과

연구 질문

• RQ1 고다중질량 신호 존재 조건에서 텐서 핵 노름의 재가중 처리가 낮은 질량 텐서 근사 성능을 향상시킬 수 있는가?
• RQ2 재가중 처리된 l1 노름 최소화는 텐서 분해에서 희소 성분 복원 성능을 어떻게 향상시키는가?
• RQ3 제안된 방법은 고노이즈 및 큰 다중질량 조건에서 표준 TRPCA보다 비디오 노이즈 제거 성능이 뛰어나게 되는가?
• RQ4 반복적 재가중 처리는 텐서 분해의 수렴성과 재구성 정확도에 어떤 영향을 미치는가?

주요 결과

• 진짜 다중질량이 클 경우 기존 TRPCA에 비해 제안된 방법이 텐서 다중질량 근사 성능을 크게 향상시킨다.
• 재가중 처리된 l1 노름은 더 정확한 희소 성분 복원을 이끌어내어 비디오 노이즈 제거에서 잔여 노이즈와 아티팩트를 감소시킨다.
• 기준 비디오 데이터셋에서의 실험 결과, 기존의 TRPCA 기반 방법들보다 PSNR 및 SSIM 지표에서 뛰어난 노이즈 제거 성능을 달성한다.
• 반복적 재가중 기법은 노이즈에 대한 강건성을 향상시키고 고차원 텐서 데이터에서 수렴 안정성을 개선한다.