[论文解读] Near-Optimal Joint Object Matching via Convex Relaxation

Yuxin Chen, Leonidas Guibas+1 more|arXiv (Cornell University)|Feb 6, 2014

Graph Theory and Algorithms参考文献 46被引用 92

一句话总结

该论文提出 MatchLift，一种基于凸松弛的近似最优联合物体匹配方法，适用于密集噪声和部分相似性场景。通过将一致的部分映射建模为 0-1 半定矩阵，并求解无参数的凸规划问题，MatchLift 即使在高达 $1 - \Theta(\log^2 n / \sqrt{n})$ 的输入匹配被破坏的情况下也能实现可证明的恢复，且当输入映射图连通时可保证完美恢复。

ABSTRACT

Joint matching over a collection of objects aims at aggregating information from a large collection of similar instances (e.g. images, graphs, shapes) to improve maps between pairs of them. Given multiple matches computed between a few object pairs in isolation, the goal is to recover an entire collection of maps that are (1) globally consistent, and (2) close to the provided maps --- and under certain conditions provably the ground-truth maps. Despite recent advances on this problem, the best-known recovery guarantees are limited to a small constant barrier --- none of the existing methods find theoretical support when more than $50\%$ of input correspondences are corrupted. Moreover, prior approaches focus mostly on fully similar objects, while it is practically more demanding to match instances that are only partially similar to each other. In this paper, we develop an algorithm to jointly match multiple objects that exhibit only partial similarities, given a few pairwise matches that are densely corrupted. Specifically, we propose to recover the ground-truth maps via a parameter-free convex program called MatchLift, following a spectral method that pre-estimates the total number of distinct elements to be matched. Encouragingly, MatchLift exhibits near-optimal error-correction ability, i.e. in the asymptotic regime it is guaranteed to work even when a dominant fraction $1-Θ\left(\frac{\log^{2}n}{\sqrt{n}} ight)$ of the input maps behave like random outliers. Furthermore, MatchLift succeeds with minimal input complexity, namely, perfect matching can be achieved as soon as the provided maps form a connected map graph. We evaluate the proposed algorithm on various benchmark data sets including synthetic examples and real-world examples, all of which confirm the practical applicability of MatchLift.

研究动机与目标

• 解决当超过 50% 的输入成对匹配被破坏时，联合物体匹配缺乏理论保证的问题。
• 实现仅部分相似的物体之间的一致匹配，而非要求完全同构。
• 在输入映射图连通时，实现最小输入复杂度下的完美恢复。
• 提供一种计算上可行的方法，可在纠正密集错误的同时保持多个物体之间的全局一致性。
• 通过从少量、噪声较大的成对匹配中恢复未观测到的对应关系，处理不完整的输入映射。

提出的方法

• 将联合匹配问题建模为 0-1 半定矩阵，以编码多个物体之间的一致部分映射。
• 提出 MatchLift，一种无参数的凸规划方法，将组合优化问题松弛为可计算的半定规划问题。
• 使用谱方法预先估计待匹配的不同元素数量，以提升初始化质量和稳定性。
• 采用交替方向乘子法（ADMM）结合贪婪取整策略，高效求解凸规划问题。
• 通过将环路一致性与全局兼容性约束嵌入凸松弛框架，实现约束强化。
• 利用矩阵补全与鲁棒主成分分析（PCA）原理，处理密集异常值和不完整观测。

实验结果

研究问题

• RQ1 当超过一半的输入成对匹配被破坏时，能否可靠地恢复联合物体匹配？
• RQ2 在物体之间仅存在部分相似性而非完全同构的情况下，能否实现对真实映射的可证明恢复？
• RQ3 联合匹配中实现完美恢复所需的最小输入复杂度是什么？是否可在稀疏、噪声较大的输入映射下实现？
• RQ4 凸松弛方法是否能在存在密集对抗性异常值的情况下实现近似最优的纠错能力？
• RQ5 输入映射图的结构（如连通性）如何影响联合匹配算法的理论与实际性能？

主要发现

• MatchLift 实现了近似最优的纠错能力，可保证即使在高达 $1 - \Theta(\log^2 n / \sqrt{n})$ 的输入映射被破坏时仍能恢复。
• 只要输入映射图连通，即可可证明地实现完美匹配，且所需输入复杂度最低。
• 理论分析表明，恢复映射中的误差被限制在 $\tilde{c}_{10} \sqrt{\frac{p_{\text{obs}} \log(mn)}{n p_{\text{set}}^3}}$ 以内，且给出了明确的常数。
• 数值实验表明，MatchLift 在合成数据与真实世界基准测试中均优于现有方法，包括高度破坏和不完整的输入。
• 该方法对密集异常值具有鲁棒性，在输入映射大部分为随机匹配时仍能保持高精度，展现出实际适用性。
• 基于 ADMM 的求解器结合贪婪取整策略，能高效计算高质量解，使该方法在实际场景中具备可扩展性和可部署性。