[论文解读] The Convergence of Least-Squares Progressive Iterative Approximation with Singular Iterative Matrix

Hongwei Lin, Qi Cao+1 more|arXiv (Cornell University)|Jul 28, 2017

Advanced Numerical Analysis Techniques参考文献 13被引用 3

一句话总结

本文证明了最小二乘渐进迭代逼近（LSPIA）在迭代矩阵为奇异矩阵时仍能收敛，从而将其适用范围扩展至秩亏的大型几何拟合问题。该方法通过Moore-Penrose广义逆收敛至最小范数解，经由理论分析与一个包含43,994个数据点、且系数矩阵为20,790×20,790奇异系统的三变量B样条拟合实际案例验证。

ABSTRACT

Developed in [Deng and Lin, 2014], Least-Squares Progressive Iterative Approximation (LSPIA) is an efficient iterative method for solving B-spline curve and surface least-squares fitting systems. In [Deng and Lin 2014], it was shown that LSPIA is convergent when the iterative matrix is nonsingular. In this paper, we will show that LSPIA is still convergent even the iterative matrix is singular.

研究动机与目标

• 建立LSPIA在最小二乘拟合系统中系数矩阵为奇异时的收敛性。
• 将LSPIA的理论基础从先前已知的非奇异情形进一步拓展。
• 支持涉及大规模或不完整数据的实际应用，如四面体网格拟合与含孔洞的图像重建。
• 证明在特定条件下，LSPIA收敛至最小欧几里得范数解（即Moore-Penrose广义逆解）。

提出的方法

• 将LSPIA重新表述为一种涉及控制点间向量分发与汇聚的迭代过程。
• 通过加权平均定义数据点的差异向量（DVD）与控制点的差异向量（DVC）。
• 利用特征分解与矩阵$\alpha A^T A$的谱半径条件分析收敛性。
• 推导出用于收敛性分析的迭代格式$P^{(k+1)} = (I - \alpha A^T A)P^{(k)} + \alpha A^T Q$。
• 应用Moore-Penrose广义逆以刻画当$A^T A$为奇异矩阵时的极限解。
• 利用正交分解与对称半正定矩阵的谱性质，证明收敛至最小范数解。

实验结果

研究问题

• RQ1 当迭代矩阵$A^T A$为奇异矩阵时，尽管解不唯一，LSPIA是否仍能收敛？
• RQ2 在几何建模中出现的秩亏系统下，LSPIA是否仍能收敛至稳定且有意义的解？
• RQ3 当$A^T A$为奇异矩阵时，LSPIA的极限解是什么？该解是否对应于最小范数解？
• RQ4 LSPIA在何种条件下收敛至最小二乘系统的Moore-Penrose广义逆解？

主要发现

• 通过迭代矩阵的谱分析证明，即使系数矩阵$A^T A$为奇异矩阵，LSPIA仍能收敛至稳定解。
• 当矩阵$\Lambda$的对角元素相等时，LSPIA收敛至最小二乘系统的Moore-Penrose广义逆解。
• 当初始控制点$P^{(0)} = 0$时，无论$A^T A$的秩如何，极限解均为最小欧几里得范数解。
• 在一个包含43,994个四面体网格顶点的实际案例中，LSPIA在5.50秒内收敛至最小二乘拟合误差为$9.97 \times 10^{-5}$的解，尽管$20,790 \times 20,790$的矩阵秩仅为12,628。
• 只要谱半径$\rho(\alpha A^T A) \leq 1$，收敛性即可保证，从而确保迭代过程的稳定性。