[论文解读] Average Interpolating Wavelets on Point Clouds and Graphs

Raif M. Rustamov|arXiv (Cornell University)|Oct 10, 2011

Image and Signal Denoising Methods参考文献 9被引用 16

一句话总结

本文通过推广Donoho的平均插值小波方案，提出了一种用于点云和图上函数的新颖小波变换。该方法基于图拉普拉斯矩阵特征函数，利用平滑性最小化插值函数构建稳定、多尺度的小波，实现了有效的去噪与回归，且具有经验收敛性及近似均匀的噪声系数行为。

ABSTRACT

We introduce a new wavelet transform suitable for analyzing functions on point clouds and graphs. Our construction is based on a generalization of the average interpolating refinement scheme of Donoho. The most important ingredient of the original scheme that needs to be altered is the choice of the interpolant. Here, we define the interpolant as the minimizer of a smoothness functional, namely a generalization of the Laplacian energy, subject to the averaging constraints. In the continuous setting, we derive a formula for the optimal solution in terms of the poly-harmonic Green's function. The form of this solution is used to motivate our construction in the setting of graphs and point clouds. We highlight the empirical convergence of our refinement scheme and the potential applications of the resulting wavelet transform through experiments on a number of data stets.

研究动机与目标

• 解决点云和图等非欧几里得域中缺乏稳健、稳定的小波多尺度构造的问题。
• 通过引入广义拉普拉斯能量泛函的平滑性约束，克服在不规则域上插值的不稳定性。
• 将Donoho在欧几里得空间中表现优异的平均插值小波方案推广至流形、图与点云。
• 通过确保消失矩与系数稳定性，使去噪与回归等实际应用成为可能。
• 为离散几何数据上构建连续、自适应的尺度函数与小波，提供理论基础坚实且经验收敛的框架。

提出的方法

• 将插值函数定义为在父区域与邻域区域平均约束下，使平滑性泛函（广义拉普拉斯能量）最小化的解。
• 在连续情形下，利用多调和格林函数推导最优解，为离散构造提供指导。
• 在离散情形下，将插值函数表示为图拉普拉斯矩阵低特征值特征向量的线性组合，以确保平滑性与稳定性。
• 在点云与图上构建分层二进制细化方案，利用父区域的函数平均值通过插值函数预测子区域的平均值。
• 通过预测平均值与实际平均值之间的差值构造小波系数，实现多尺度分析。
• 采用小波阈值化处理（如将第5层及以上系数置零）实现去噪，并通过逆变换重建实现回归任务。

实验结果

研究问题

• RQ1 平均插值小波方案能否推广至点云与图等非欧几里得域，同时保持稳定性与消失矩特性？
• RQ2 在邻域大小变化且多项式插值失效的不规则域上，如何构建稳定的插值方案？
• RQ3 图拉普拉斯矩阵特征函数在构建用于多尺度分析的平滑、自适应插值函数中起何种作用？
• RQ4 所提出的细化方案在经验上是否收敛，从而在不规则域上生成连续、形状自适应的尺度函数？
• RQ5 在白噪声输入下，所得小波系数在多大程度上表现出类似噪声的特性（幅度近似均匀、跨尺度与位置近似统计独立），从而支持有效去噪？

主要发现

• 所提出的小波构造实现了细化方案的经验收敛，生成了连续、形状自适应的尺度函数，其支撑在密集区域扩展后逐渐延伸至细长结构。
• 在球面上的噪声函数去噪实验中，通过小波阈值化（将层级 l ≥ 5 的系数置零），信噪比从1.24 dB提升至18.2 dB。
• 在5维球面上采样75个点的回归任务中，基于小波的重建方法实现了2.83%的归一化均方根误差（RMSE）。
• 白噪声输入的小波系数表现出近似均匀的幅度与跨尺度和位置的近似统计独立性，这是实现有效去噪的关键特性。
• 在离散情形下，插值函数是图拉普拉斯矩阵低频特征向量的线性组合，其在满足平均约束的同时最小化平滑性度量。
• 校正步骤——调整小波系数以强制满足 αl,k + α′l,k = 0 —— 修正了采样不均匀问题，确保金字塔结构的一致性。