[論文レビュー] Analyzing the group sparsity based on the rank minimization methods

Zhiyuan Zha, Xin Liu+6 more|arXiv (Cornell University)|Nov 28, 2016

Sparse and Compressive Sensing Techniques参考文献 13被引用数 6

ひとこと要約

本稿では、ランク最小化を用いた新しいグループスパarsity解析フレームワークを提案し、特異値推定を介してグループベースのスパースコーディングと低ランク行列近似の等価性を確立する。重み付きシュタットン $p$-ノルム最小化（WSNM）とADMMを活用することで、画像の穴埋めおよび圧縮センシング回復において最先端の性能を達成し、WSNMは特異値を介して真のグループスパarsityを測定するための頑健なベンチマークを提供する。

ABSTRACT

Sparse coding has achieved a great success in various image processing studies. However, there is not any benchmark to measure the sparsity of image patch/group because sparse discriminant conditions cannot keep unchanged. This paper analyzes the sparsity of group based on the strategy of the rank minimization. Firstly, an adaptive dictionary for each group is designed. Then, we prove that group-based sparse coding is equivalent to the rank minimization problem, and thus the sparse coefficient of each group is measured by estimating the singular values of each group. Based on that measurement, the weighted Schatten $p$-norm minimization (WSNM) has been found to be the closest solution to the real singular values of each group. Thus, WSNM can be equivalently transformed into a non-convex $\ell_p$-norm minimization problem in group-based sparse coding. To make the proposed scheme tractable and robust, the alternating direction method of multipliers (ADMM) is used to solve the $\ell_p$-norm minimization problem. Experimental results on two applications: image inpainting and image compressive sensing (CS) recovery have shown that the proposed scheme outperforms many state-of-the-art methods.

研究の動機と目的

• スパース判別条件の不変性欠如に起因する、画像処理におけるグループスパarsityを測定するための信頼できるベンチマークの欠如に対処すること。
• 特異値解析を介して、グループベースのスパースコーディングとランク最小化の理論的等価性を確立すること。
• コストの高いグローバル辞書学習を回避する計算効率の良い適応的辞書学習スキームを構築すること。
• 重み付きシュタットン $p$-ノルム最小化（WSNM）が、画像グループの真の特異値に最も近い近似を提供することを示すこと。
• 提案手法を実世界の画像回復タスクに適用し、最先端の手法と比較して優れた性能を示すことを検証すること。

提案手法

• グローバル辞書学習と比較して計算複雑性を低減するため、各画像グループに対して適応的辞書を設計する。
• グループベースのスパースコーディングがランク最小化問題と等価であることを理論的に証明し、各グループの特異値を用いたスパarsity測定を可能にする。
• 重み付きシュタットン $p$-ノルム最小化（WSNM）が、各グループの真の特異値に最も近い近似であることが同定され、正確なスパarsity定量化が可能になる。
• 非凸な $\ell_p$-ノルム最小化問題をWSNMから再定式化し、$\ell_1$-ノルムよりもより正確なスパース表現が得られることを実現する。
• 非凸な $\ell_p$-ノルム最小化問題を効率的かつ頑健に解くために、交替方向乗数法（ADMM）を採用する。
• ADMM反復における双対変数へのソフトスレッショーディングを伴うことで、画像の穴埋めおよび圧縮センシング（CS）回復にこの手法を適用し、最適化を実行する。

実験結果

リサーチクエスチョン

• RQ1 ランク最小化は、$\ell_0$ および $\ell_1$-ノルムの制限を克服し、画像パッチにおけるグループスパarsityを測定する信頼できるベンチマークを提供できるか？
• RQ2 特異値分解を介したグループベースのスパースコーディングと低ランク行列近似の間には理論的等価性があるか？
• RQ3 重み付きシュタットン $p$-ノルム最小化（WSNM）は、他のノルムと比較して、画像グループの真の特異値に近いか？
• RQ4 WSNMから導出された非凸 $\ell_p$-ノルム問題のADMMベースの解法は、既存の手法と比較してより優れた画像回復性能を達成できるか？
• RQ5 提案された適応的辞書学習スキームは、標準的なスパースコーディングと比較して、画像の穴埋めおよび圧縮センシングにおける効率性と性能を向上させることができるか？

主な発見

• 提案手法は、PSNRおよびSSIM指標の両面で既存手法を上回る性能を示し、画像の穴埋めにおいて最先端の性能を達成した。
• 圧縮センシング回復において、競合手法と比較して優れた再構成品質を示し、PSNRおよびSSIMの値がより高かった。
• 重み付きシュタットン $p$-ノルム最小化（WSNM）は、実験的に画像グループの真の特異値に最も近い近似であることが示され、スパarsityベンチマークとしての有効性が裏付けられた。
• グループベースのスパースコーディングとランク最小化の等価性は理論的に証明され、スパarsity分析の新たな基盤が提供された。
• ADMMベースの最適化フレームワークにより、安定的かつ効率的な収束が確保され、大規模な画像回復タスクへの実用的導入が可能になった。
• 適応的辞書設計により、従来の辞書学習と比較して計算コストを顕著に低減したが、高い再構成精度を維持した。