RPCANet++：稀疏目标分割的深层可解释鲁棒主成分分析
计算机视觉与模式识别
2025-08-07 v1
摘要
鲁棒主成分分析(RPCA)将观测矩阵分解为低秩背景和稀疏目标组成部分。这种能力已使其在图像修复到分割等任务中得到应用。然而，传统 RPCA 模型因矩阵运算、依赖精细调谐的超参数以及刚性先验限制而面临计算负担。为解决这些限制，我们提出 RPCANet++，一种将 RPCA 可解释性与高效深度网络融合的稀疏目标分割框架。我们的方法将松弛的 RPCA 模型解构为包含背景近似模块( BAM)、目标提取模块( OEM)和图像恢复模块( IRM)的结构网络。为缓解 BAM 中的阶段传输损失，我们引入记忆增强模块( MAM)以增强背景特征保留，而深度对比先验模块( DCPM)则利用显著性线索加速目标提取。在多样化数据集上的大量实验表明，RPCANet++ 在各种成像场景下实现了最先进性能。我们进一步通过可视化和数值低秩性与稀疏性度量提升可解释性。通过将 RPCA 的理论优势与深度网络的效率相结合，我们的方法为可靠且可解释的稀疏目标分割树立了新的基准。代码已在项目网页 https://fengyiwu98.github.io/rpcanetx 提供。
引用
@article{arxiv.2508.04190,
title = {RPCANet++: Deep Interpretable Robust PCA for Sparse Object Segmentation},
author = {Fengyi Wu and Yimian Dai and Tianfang Zhang and Yixuan Ding and Jian Yang and Ming-Ming Cheng and Zhenming Peng},
journal= {arXiv preprint arXiv:2508.04190},
year = {2025}
}
备注
Project Webpage: https://fengyiwu98.github.io/rpcanetx