[论文解读] Weighted Low Rank Approximation for Background Estimation Problems

Aritra Dutta, Xin Li|arXiv (Cornell University)|Jul 4, 2017

Sparse and Compressive Sensing Techniques参考文献 24被引用 4

一句话总结

本文提出了一种加权低秩（WLR）逼近方法，用加权Frobenius范数替代Robust PCA（RPCA）中计算成本较高的ℓ₁-范数最小化，利用数据推断的权重实现对稀疏异常值的鲁棒背景估计。该方法在性能上与RPCA和GFL相当或更优，计算速度显著更快，并在理想情况下可实现精确的前景恢复（表现为无限PSNR和较高的SSIM值）。

ABSTRACT

Classical principal component analysis (PCA) is not robust to the presence of sparse outliers in the data. The use of the $\ell_1$ norm in the Robust PCA (RPCA) method successfully eliminates the weakness of PCA in separating the sparse outliers. In this paper, by sticking a simple weight to the Frobenius norm, we propose a weighted low rank (WLR) method to avoid the often computationally expensive algorithms relying on the $\ell_1$ norm. As a proof of concept, a background estimation model has been presented and compared with two $\ell_1$ norm minimization algorithms. We illustrate that as long as a simple weight matrix is inferred from the data, one can use the weighted Frobenius norm and achieve the same or better performance.

研究动机与目标

• 通过用加权Frobenius范数替代ℓ₁-范数最小化，解决基于ℓ₁-范数的Robust PCA（RPCA）在背景估计中计算效率低下的问题。
• 开发一种利用数据推断权重的方法，增强对稀疏异常值的鲁棒性，同时无需依赖ℓ₁最小化。
• 证明加权低秩逼近可与RPCA和GFL在背景分割任务中的性能相当或更优。
• 为RPCA和监督式GFL模型提供一种计算高效的替代方案，尤其适用于无纯背景帧先验知识的无监督设置。
• 在具有动态背景、传感器噪声和伪装效应的复杂视频序列上验证该方法。

提出的方法

• 该方法将背景估计建模为加权低秩逼近（WLR）问题：最小化 ||(A - X) ⊙ W||_F²，约束条件为 rank(X) ≤ r，其中 W 为数据驱动的权重矩阵。
• 权重矩阵 W 从数据中推断得出，使得对应潜在异常值（如前景）的条目被降低权重，从而有效使Frobenius范数对稀疏损坏具有鲁棒性。
• 通过加权矩阵 (λA₁; A₂) 的单次SVD求解WLR问题，获得类似广义总体最小二乘法的闭式解。
• 通过将数据矩阵 A 分解为背景 B 和前景 F，将该方法应用于视频背景减除，其中 B 通过WLR估计。
• 对恢复的前景 F 应用后处理阈值处理步骤（ε₁），以抑制噪声和误报。
• 采用PSNR和MSSIM指标评估该方法，并与RPCA和GFL在Wallflower和Stuttgart等真实世界视频数据集上进行比较。

实验结果

研究问题

• RQ1 加权Frobenius范数逼近是否能在不依赖ℓ₁-范数最小化的情况下，实现对背景估计中稀疏异常值的鲁棒性？
• RQ2 所提出的WLR方法在PSNR、SSIM和计算效率方面与RPCA和GFL相比表现如何？
• RQ3 WLR方法是否能在无纯背景帧先验知识的无监督设置下有效估计背景？
• RQ4 在传感器噪声、压缩伪影和伪装等挑战性条件下，WLR方法是否能保持高保真度的前景恢复？
• RQ5 数据推断权重对视频背景减除中低秩逼近的准确性和鲁棒性有何影响？

主要发现

• 在恢复的前景与真实值完全匹配的情况下，WLR方法实现无限PSNR，表明均方误差（MSE）为零。
• 在Waving Tree和Basic视频序列中，WLR的PSNR值与RPCA相当或更高，MSSIM得分分别为0.5018和0.9326，关键指标上优于RPCA。
• SSIM指数图显示，与RPCA相比，WLR恢复了更完整且连通的前景区域，尤其在噪声和复杂场景中表现更优。
• 在存在压缩伪影和传感器噪声的Noisy Night场景中，WLR在性能上优于RPCA，得益于自适应加权带来的更好噪声抑制。
• 与无监督GFL模型相比，该方法显著更快，完成Basic序列实验仅需约17.75秒，而GFL的运行时间更长。
• 在Waving Tree和Basic场景中，WLR与GFL均表现出高度竞争力，其中WLR在无监督设置下尤其高效且鲁棒。