[论文解读] Tensor Robust Principal Component Analysis: Exact Recovery of Corrupted Low-Rank Tensors via Convex Optimization

Canyi Lu, Jiashi Feng+4 more|arXiv (Cornell University)|Aug 14, 2017

Sparse and Compressive Sensing Techniques参考文献 25被引用 28

一句话总结

该论文提出张量鲁棒主成分分析（TRPCA），一种凸优化框架，通过张量核范数和ℓ1-范数最小化，精确恢复低管秩张量与稀疏误差张量之和中的两部分。该方法通过t-SVD将鲁棒主成分分析（RPCA）推广至张量，仅在较弱的非一致性与稀疏性假设下即可实现精确恢复，具有理论保证，并在图像去噪应用中表现优越。

ABSTRACT

This paper studies the Tensor Robust Principal Component (TRPCA) problem which extends the known Robust PCA (Candes et al. 2011) to the tensor case. Our model is based on a new tensor Singular Value Decomposition (t-SVD) (Kilmer and Martin 2011) and its induced tensor tubal rank and tensor nuclear norm. Consider that we have a 3-way tensor ${\mathcal{X}}\in\mathbb{R}^{n_1 imes n_2 imes n_3}$ such that ${\mathcal{X}}={\mathcal{L}}_0+{\mathcal{E}}_0$, where ${\mathcal{L}}_0$ has low tubal rank and ${\mathcal{E}}_0$ is sparse. Is that possible to recover both components? In this work, we prove that under certain suitable assumptions, we can recover both the low-rank and the sparse components exactly by simply solving a convex program whose objective is a weighted combination of the tensor nuclear norm and the $\ell_1$-norm, i.e., $\min_{\mathcal{L},\ {\mathcal{E}}} \ \|{\mathcal{L}}\|_*+λ\|{\mathcal{E}}\|_1, \ ext{s.t.} \ {\mathcal{X}}={\mathcal{L}}+{\mathcal{E}}$, where $λ= {1}/{\sqrt{\max(n_1,n_2)n_3}}$. Interestingly, TRPCA involves RPCA as a special case when $n_3=1$ and thus it is a simple and elegant tensor extension of RPCA. Also numerical experiments verify our theory and the application for the image denoising demonstrates the effectiveness of our method.

研究动机与目标

• 通过利用张量特异性结构，将鲁棒主成分分析从矩阵推广至张量。
• 解决在严重稀疏污染下低秩张量恢复的挑战。
• 提出一种凸优化模型，实现张量中低秩与稀疏分量的精确恢复。
• 建立在可计算的凸规划下实现精确恢复的理论条件。
• 在真实世界应用（如图像去噪）中展示该方法的有效性。

提出的方法

• 提出一种新型张量奇异值分解（t-SVD），用于定义张量管秩与张量核范数。
• 构建凸优化问题：min_L,E ||L||_* + λ||E||_1，满足 X = L + E，其中 λ = 1/√(max(n1,n2)n3)。
• 利用t-SVD在分解过程中保持多维结构，避免矩阵展开。
• 采用张量核范数作为张量管秩的凸近似。
• 将模型应用于张量数据，无需将其重排为矩阵，从而保持空间与结构完整性。
• 在人脸识别恢复与彩色图像去噪任务中对方法进行经验验证。

实验结果

研究问题

• RQ1 能否通过凸优化精确恢复低管秩张量与稀疏张量之和？
• RQ2 所提出的TRPCA方法是否在张量设置下保持RPCA的理论保证？
• RQ3 在图像去噪中，TRPCA相较于基于矩阵的RPCA与基于SNN的张量方法表现如何？
• RQ4 TRPCA框架中正则化参数λ的最优选择是什么？
• RQ5 TRPCA能否有效利用真实世界数据（如彩色图像与视频）中的多维结构？

主要发现

• 在较弱的非一致性与稀疏性假设下，TRPCA可实现低秩与稀疏张量分量的精确恢复。
• 该方法在图像去噪中优于RPCA与SNN，在50张彩色图像（10%像素被污染）上实现了更高的PSNR值。
• 数值实验验证了理论恢复保证，成功去除了人脸与图像数据中的噪声。
• λ = 1/√(max(n1,n2)n3)的选择可实现优异性能，且无需调整自由参数。
• TRPCA通过利用多维张量结构实现优越性能，而RPCA则独立处理每个通道。