[论文解读] Reweighted Low-Rank Tensor Decomposition based on t-SVD and its Applications in Video Denoising

M Baburaj, Sudhish N. George|arXiv (Cornell University)|Nov 18, 2016

Blind Source Separation Techniques被引用 5

一句话总结

本文提出了一种基于t-SVD的迭代重加权低秩张量分解方法，以改进张量鲁棒主成分分析（TRPCA）在视频去噪中的性能。通过重加权张量核范数和l1范数，该方法增强了多秩近似和稀疏分量恢复能力，在高噪声和大多秩条件下显著优于现有的TRPCA方法。

ABSTRACT

The t-SVD based Tensor Robust Principal Component Analysis (TRPCA) decomposes low rank multi-linear signal corrupted by gross errors into low multi-rank and sparse component by simultaneously minimizing tensor nuclear norm and l 1 norm. But if the multi-rank of the signal is considerably large and/or large amount of noise is present, the performance of TRPCA deteriorates. To overcome this problem, this paper proposes a new efficient iterative reweighted tensor decomposition scheme based on t-SVD which significantly improves tensor multi-rank in TRPCA. Further, the sparse component of the tensor is also recovered by reweighted l 1 norm which enhances the accuracy of decomposition. The effectiveness of the proposed method is established by applying it to the video denoising problem and the experimental results reveal that the proposed algorithm outperforms its counterparts.

研究动机与目标

• 为解决TRPCA在处理高多秩信号和强噪声时性能下降的问题。
• 通过引入张量核范数的迭代重加权，改进低秩张量近似。
• 通过重加权l1范数最小化，提升稀疏分量恢复能力。
• 开发一种专为视频去噪应用设计的鲁棒且高效的张量分解框架。

提出的方法

• 提出一种迭代重加权方案，自适应地更新张量核范数的权重，以更好地逼近低多秩结构。
• 应用重加权l1范数最小化，以提高张量分解中稀疏分量恢复的准确性。
• 采用t-SVD作为底层张量分解框架，以利用视频数据的低多秩特性。
• 使用交替方向乘子法（ADMM）或类似的优化策略，高效求解重加权子问题。
• 通过基于当前解估计的权重更新，迭代优化低秩和稀疏分量。
• 在保持计算效率的同时，显著提升高噪声和高多秩场景下的分解精度。

实验结果

研究问题

• RQ1 在存在高多秩信号的情况下，重加权张量核范数是否能改善低秩张量近似？
• RQ2 重加权l1范数最小化如何提升张量分解中的稀疏分量恢复能力？
• RQ3 在高噪声和大多秩条件下，所提方法是否优于标准TRPCA在视频去噪中的表现？
• RQ4 迭代重加权对张量分解的收敛性和重建精度有何影响？

主要发现

• 与标准TRPCA相比，所提方法在真实多秩较大时显著提升了张量多秩近似能力。
• 重加权l1范数可实现更精确的稀疏分量恢复，减少视频去噪中的残留噪声和伪影。
• 该算法在基准视频数据集上实现了优越的去噪性能，在PSNR和SSIM指标上优于现有基于TRPCA的方法。
• 迭代重加权方案增强了对噪声的鲁棒性，并提升了高维张量数据中分解的收敛稳定性。