[论文解读] Low Rank Tensor Completion for Multiway Visual Data

Zhen Long, Yipeng Liu+2 more|arXiv (Cornell University)|May 8, 2018

Tensor decomposition and applications被引用 3

一句话总结

本文系统综述了用于彩色图像和视频的低秩张量补全方法，将其分为两类：秩最小化与预设秩优化。评估了多种张量分解方法——CP、Tucker、t-SVD、张量列车（tensor train）和张量环（tensor ring），结果表明，在各种场景下，秩最小化模型在恢复缺失视觉数据方面具有更高的准确性和效率。

ABSTRACT

Tensor completion recovers missing entries of multiway data. Teh missing of entries could often be caused during teh data acquisition and transformation. In dis paper, we provide an overview of recent development in low rank tensor completion for estimating teh missing components of visual data, e. g. , color images and videos. First, we categorize these methods into two groups based on teh different optimization models. One optimizes factors of tensor decompositions wif predefined tensor rank. Teh other iteratively updates teh estimated tensor via minimizing teh tensor rank. Besides, we summarize teh corresponding algorithms to solve those optimization problems in details. Numerical experiments are given to demonstrate teh performance comparison when different methods are applied to color image and video processing.

研究动机与目标

• 为多维视觉数据（如彩色图像和视频）的低秩张量补全领域近期进展提供系统性概述。
• 将现有的张量补全方法主要分为两类：一类是优化预设张量秩的方法，另一类是通过迭代方式最小化张量秩的方法。
• 在视觉数据恢复的背景下，评估并比较不同张量分解格式（CP、Tucker、t-SVD、张量列车、张量环）的性能。
• 在真实图像和视频数据集上开展数值实验，以评估各类张量补全算法的准确性、计算成本和鲁棒性。
• 识别在不同缺失数据率下最有效的分解与优化策略，尤其关注视觉数据补全的性能表现。

提出的方法

• 将张量补全方法归类为两类优化框架：(1) 通过迭代低秩逼近实现的秩最小化；(2) 基于张量分解的预设秩优化。
• 综述并对比五种主要张量分解格式：CANDECOMP/PARAFAC（CP）、Tucker、张量奇异值分解（t-SVD）、张量列车（TT）和张量环（TR）分解。
• 提出基于张量核范数最小化与交替最小二乘法（ALS）的优化模型，用于求解低秩张量补全问题。
• 采用标准评估指标——相对误差（Rel）、峰值信噪比（PSNR）和结构相似性（SSIM），对恢复性能进行定量比较。
• 构建统一的实验框架，在不同采样率（SR）从10%到40%的条件下，对彩色图像（如peppers）和视频进行方法测试。
• 应用模式-k展开、张量乘积运算与低秩逼近技术，以实现迭代算法中的高效计算与收敛。

实验结果

研究问题

• RQ1 在彩色图像与视频补全任务中，不同张量分解格式（CP、Tucker、t-SVD、TT、TR）在恢复准确率与计算效率方面如何比较？
• RQ2 在重建准确率与运行时间方面，预设秩策略与秩最小化策略中哪一种表现更优？
• RQ3 随着缺失数据率的增加（例如采样率从10%提升至40%），张量补全方法的性能如何变化？
• RQ4 秩边界与分解结构对恢复视觉数据质量有何影响？
• RQ5 在高阶视觉数据中，哪种张量分解方法在存储效率与重建准确率之间实现了最佳平衡？

主要发现

• 秩最小化模型在重建准确率（更高的PSNR与SSIM）和计算效率方面，始终优于预设秩方法。
• 张量环（TR）与张量列车（TT）分解在存储复杂度方面表现更优，相较于Tucker与CP，尤其适用于高阶张量。
• 在20%采样率下，基于t-SVD的方法在peppers图像上实现了约32.5 dB的PSNR与0.92的SSIM，优于相同秩约束下的CP与Tucker方法。
• 相对误差（Rel）随采样率提升显著下降，其中采用TR与TT分解的秩最小化模型表现出最低的Rel值。
• 张量列车与张量环方法在不同采样率下表现最为稳定，即使在低采样率（10–20%）下也能保持较高的PSNR与SSIM。
• 所提出的框架能有效恢复彩色图像与视频中的缺失条目，在相似条件下相比基线方法，PSNR提升可达4–6 dB。