用于图像去噪和背景减除的加权Schatten $p$-范数最小化
计算机视觉与模式识别
2016-11-03 v1
摘要
低秩矩阵近似(LRMA)旨在从其退化观测中恢复潜在的低秩矩阵，在计算机视觉中有广泛应用。最新的LRMA方法借助核范数最小化(NNM)作为非凸秩最小化的凸松弛。然而，NNM倾向于过度收缩秩分量且平等对待不同秩分量，限制了其在实际应用中的灵活性。我们提出一个更灵活的模型，即加权Schatten -范数最小化(WSNM)，将NNM推广到对不同奇异值赋权的Schatten -范数最小化。所提WSNM不仅更好地近似原始低秩假设，还考虑了不同秩分量的重要性。我们分析了WSNM的解，并证明在特定权重置换下，WSNM可等价转化为独立的非凸 -范数子问题，其全局最优解可通过广义迭代收缩算法高效求解。我们将WSNM应用于典型的底层视觉问题，例如图像去噪和背景减除。大量实验结果从定性和定量上表明，与最先进的方法相比，所提WSNM能更有效地去除噪声，并建模复杂动态场景。
引用
@article{arxiv.1512.01003,
title = {Weighted Schatten $p$-Norm Minimization for Image Denoising and Background Subtraction},
author = {Yuan Xie and Shuhang Gu and Yan Liu and Wangmeng Zuo and Wensheng Zhang and Lei Zhang},
journal= {arXiv preprint arXiv:1512.01003},
year = {2016}
}
备注
13 pages, 11 figures