[论文解读] Exact Recovery of Tensor Robust Principal Component Analysis under Linear Transforms

Canyi Lu, Pan Zhou|arXiv (Cornell University)|Jul 16, 2019

Tensor decomposition and applications参考文献 30被引用 6

一句话总结

本文提出了一种新型张量鲁棒主成分分析（TRPCA）框架，通过使用任意可逆线性变换将矩阵RPCA推广至张量。通过定义依赖于变换的张量管秩和核范数，该方法在非相干性条件下通过凸优化实现低秩与稀疏分量的精确恢复，且在图像恢复性能上优于现有方法，尤其当使用DCT作为变换时表现更优。

ABSTRACT

This work studies the Tensor Robust Principal Component Analysis (TRPCA) problem, which aims to exactly recover the low-rank and sparse components from their sum. Our model is motivated by the recently proposed linear transforms based tensor-tensor product and tensor SVD. We define a new transforms depended tensor rank and the corresponding tensor nuclear norm. Then we solve the TRPCA problem by convex optimization whose objective is a weighted combination of the new tensor nuclear norm and the $\ell_1$-norm. In theory, we show that under certain incoherence conditions, the convex program exactly recovers the underlying low-rank and sparse components. It is of great interest that our new TRPCA model generalizes existing works. In particular, if the studied tensor reduces to a matrix, our TRPCA model reduces to the known matrix RPCA. Our new TRPCA which is allowed to use general linear transforms can be regarded as an extension of our former TRPCA work which uses the discrete Fourier transform. But their proof of the recovery guarantee is different. Numerical experiments verify our results and the application on image recovery demonstrates the superiority of our method.

研究动机与目标

• 将矩阵鲁棒主成分分析推广至张量，使用超越离散傅里叶变换的线性变换。
• 定义一种依赖于可逆线性变换选择的新张量管秩与核范数。
• 建立理论条件，证明凸TRPCA模型可精确恢复低秩与稀疏张量分量。
• 通过实证结果表明，变换的选择显著影响恢复性能，其中DCT优于DFT和随机正交矩阵。

提出的方法

• 引入基于任意可逆线性变换的广义张量-张量积，支持新张量管秩与张量核范数的定义。
• 提出一种凸优化模型，通过最小化新张量核范数与稀疏分量ℓ₁-范数的加权和实现恢复。
• 在广义t-积框架下利用t-SVD结构，实现高效计算与理论分析。
• 在类似于矩阵RPCA的非相干性条件下，推导出精确恢复的理论保证，将先前结果扩展至张量情形。
• 采用DCT与随机正交矩阵（ROM）作为替代变换，评估性能与鲁棒性。
• 将该方法应用于彩色图像恢复，与RPCA、SNN及基于DFT的先前TRPCA方法进行比较。

实验结果

研究问题

• RQ1 张量RPCA模型能否超越离散傅里叶变换，推广至其他可逆线性变换？
• RQ2 线性变换的选择是否显著影响TRPCA模型的精确恢复性能？
• RQ3 基于变换的张量核范数是否能在理论条件下实现低秩与稀疏张量分量的精确恢复？
• RQ4 所提出的TRPCA模型在图像去噪任务中与RPCA、SNN及基于DFT的TRPCA相比表现如何？
• RQ5 新TRPCA模型在计算效率与真实世界张量数据的可扩展性方面是否表现良好？

主要发现

• 当使用DCT作为变换时，所提出的TRPCA模型在图像恢复中达到最高的PSNR，优于RPCA、SNN及基于DFT的TRPCA。
• 理论分析表明，在非相干性条件下，凸优化模型可精确恢复底层的低秩与稀疏分量。
• 使用随机正交矩阵（ROM）作为变换时恢复性能较差，凸显了变换选择的关键作用。
• 该方法保持了与RPCA及先前TRPCA相当的计算效率，运行时间与当前最先进方法相当。
• 基于线性变换的新张量核范数提供了比先前基于SNN的方法更紧致的凸松弛，实现最优阶恢复。
• 该模型推广了矩阵RPCA与先前TRPCA，在张量退化为矩阵时可退化为已知的矩阵RPCA。