[論文レビュー] Exact Decomposition of Joint Low Rankness and Local Smoothness Plus Sparse Matrices

Jiangjun Peng, Yao Wang+3 more|arXiv (Cornell University)|Jan 29, 2022

Sparse and Compressive Sensing Techniques被引用数 6

ひとこと要約

本稿では、3次元相関全変動正則化を活用して、行列を低ランク（L）、局所的に滑らか（LSS）、スパース（S）の成分に正確に分解する、新しいロバストPCAモデル3DCTV-RPCAを提案する。本モデルは、緩い仮定のもとで正確な回復を保証する理論的根拠を初めて提供し、収束性が保証されたFFT加速ADMMアルゴリズムを採用しており、ハイパースペクトル画像および監視映像応用において、既存手法を上回る性能を発揮する。

ABSTRACT

It is known that the decomposition in low-rank and sparse matrices ( extbf{L+S} for short) can be achieved by several Robust PCA techniques. Besides the low rankness, the local smoothness ( extbf{LSS}) is a vitally essential prior for many real-world matrix data such as hyperspectral images and surveillance videos, which makes such matrices have low-rankness and local smoothness properties at the same time. This poses an interesting question: Can we make a matrix decomposition in terms of extbf{L\&LSS +S } form exactly? To address this issue, we propose in this paper a new RPCA model based on three-dimensional correlated total variation regularization (3DCTV-RPCA for short) by fully exploiting and encoding the prior expression underlying such joint low-rank and local smoothness matrices. Specifically, using a modification of Golfing scheme, we prove that under some mild assumptions, the proposed 3DCTV-RPCA model can decompose both components exactly, which should be the first theoretical guarantee among all such related methods combining low rankness and local smoothness. In addition, by utilizing Fast Fourier Transform (FFT), we propose an efficient ADMM algorithm with a solid convergence guarantee for solving the resulting optimization problem. Finally, a series of experiments on both simulations and real applications are carried out to demonstrate the general validity of the proposed 3DCTV-RPCA model.

研究の動機と目的

• 低ランク性と局所的滑らかさの事前知識を併用する既存手法に理論的回復保証が欠如している問題に対処すること。
• 低ランク性、局所的滑らかさ、スパースノイズの3つを同時に捉える行列分解モデルの開発。
• L と LSS + S 分解形に対する、証明可能な正確な回復フレームワークの提供。
• 大規模応用に適した効率的かつ収束性を保証する最適化アルゴリズムの設計。

提案手法

• 3次元相関全変動（3DCTV）正則化を用いて、低ランク性と局所的滑らかさの構造を統合的に表現する、新しいRPCAモデル3DCTV-RPCAを提案。
• 修正されたGolfingスキームを適応し、緩い仮定のもとで正確な分解を証明。L と LSS + S 分解に対する、初めての理論的回復保証を確立。
• 高速フーリエ変換（FFT）を用いてADMMアルゴリズムを加速し、滑らかでない最適化問題の効率的解法を実現。
• 核ノルム正則化を用いて、空間的次元間の勾配マップの相関をモデル化し、滑らかさの保持を強化。
• スパースノイズのモデリングにℓ1ノルムを統合し、3DCTVと核ノルムを統合的な最適化フレームワークに組み込む。
• 収束性が保証されたADMMアルゴリズムを導出し、ハイパースペクトル画像処理や動画背景モデル化などの実世界応用に適している。

実験結果

リサーチクエスチョン

• RQ1 統一的なモデルのもとで、行列を低ランク、局所的に滑らか、スパース成分に正確に分解できるか？
• RQ2 低ランク性と局所的滑らかさを併用する手法に対して、理論的回復保証は存在するか？
• RQ3 3次元全変動フレームワークを用いて、低ランク性と局所的滑らかさの統合的構造を効果的に正則化できるか？
• RQ4 得られる滑らかでない最適化問題を解くための効率的かつ収束性を保証するアルゴリズムを設計できるか？
• RQ5 ハイパースペクトル画像修復や動画背景モデル化といった実世界応用において、提案された3DCTV-RPCAモデルは、既存のRPCA手法を上回る性能を示すか？

主な発見

• 3DCTV-RPCAモデルは、緩い仮定のもとで、低ランク、局所的に滑らか、スパース成分の正確な分解を達成し、このクラスのモデルに対する初めての理論的回復保証を提供する。
• ハイパースペクトル画像の穴埋め処理において、PSNRとSSIMの両面で、すべての比較手法を上回り、他の手法よりも優れた色再現性を示す。
• Li監視映像データセットでは、AUCが0.924を達成し、PCPを0.019上回り、追加のクリアフレームを用いたサブスペース学習を必要とせずMPCP（0.940）と同等の性能を発揮する。
• FFT加速ADMMアルゴリズムは、信頼性高くかつ効率的に収束し、理論的裏付けが強い大規模応用に適している。
• 視覚的結果から、他の手法と比較して、擬似色画像における構造的・色再現性の保持が優れていることが明らかになった。
• 本モデルは実世界データに良好に一般化され、動的背景や照明条件の変化といった多様な状況において、高いロバスト性を示した。