선형 변환 기반 텐서‑CUR 분해와 영상 전경‑배경 분리

초록

본 논문은 가역·사영·주입 선형 변환 M을 이용한 텐서‑CUR 분해를 제안한다. M‑곱(∗_M) 정의에 따라 3차 텐서를 두 텐서의 곱으로 표현하고, 각 프론탈 슬라이스에 기존 행렬 CUR을 적용한다. 이론적으로 인버터블 M에 대해 정확 복원 조건과 섭동 경계가 증명되었으며, DCT·DFT·DST·데이터‑종속 변환을 사용한 영상 전경‑배경 분리 실험에서 기존 강인 행렬 CUR, 텐서 BM, SS‑SVD보다 높은 정밀도와 빠른 실행 시간을 보였다.

상세 분석

본 연구는 기존의 T‑product 기반 텐서 대수에 선형 변환 M을 일반화한 ∗_M 연산을 핵심으로 삼는다. ∗_M 은 A×₃M와 B×₃M를 프론탈 슬라이스별로 면(facewise) 곱한 뒤 다시 M⁻¹(또는 의사역)으로 복원하는 구조로, M이 가역, 사영, 주입인지에 따라 정확성·연산 복잡도가 달라진다. 저자는 이 연산 위에 CUR 분해를 정의하여, 인덱스 집합 I,J 를 선택하면 C=A(:,J,:), R=A(I,:,:), U=A(I,J,:) 로 구성하고, 각 슬라이스 k에 대해 bA(k)=bC(k)·bU(k)⁺·bR(k)+E(k) 를 수행한다. 여기서 b·는 mode‑3 곱을 통해 M‑공간으로 매핑한 결과이며, bU(k)⁺는 의사역이다.

정리 3.1은 “rank_m(U)=rank_m(A)” 즉, 모든 슬라이스에서 U가 A와 동일한 랭크를 가질 때 ∗_M‑CUR 가 정확히 A=C∗_M U⁺∗_M R 를 재구성함을 증명한다. 증명은 기존 행렬 CUR 의 정확성 정리를 슬라이스별로 적용하고, ∗M 의 선형성 및 M⁻¹(또는 M⁺) 의 결합 특성을 이용한다. 정리 3.2는 섭동 분석을 제공한다. 입력 텐서 A에 작은 잡음 E가 추가되면 ‖A−ĤA‖{2,∗M} ≤ C·‖E‖{2,∗_M} 가 성립한다는 식으로, C는 ‖C‖, ‖U⁺‖, ‖R‖ 의 ∗_M‑노름에만 의존한다. 이는 행렬 CUR 의 섭동 경계와 동일한 형태이며, 슬라이스별 독립 처리 덕분에 이론적 보장이 그대로 전이됨을 의미한다.

실험에서는 비디오 텐서 X를 저랭크 L와 희소 S 로 분해하는 전경‑배경 분리 문제에 적용한다. 인덱스 선택은 Q‑DEIM을 사용해 중요한 열·행을 샘플링했으며, M 은 DCT, DFT(T‑product), DST, 그리고 비디오 자체 모드‑3 전개에 대한 SVD 기반 데이터‑종속 행렬 U₃ 네 가지를 시험했다. 표 2와 그림 1에서 확인할 수 있듯이, 인버터블 M(DCT, DFT, DST) 경우 평균 회색 레벨 오류(AGE), 오류 픽셀 비율(pEPs), PSNR 모두 기존 방법보다 우수했으며, 특히 DFT(=T‑product)에서는 가장 낮은 pEPs와 높은 PSNR를 기록했다. 실행 시간은 M 의 차원에 따라 달라졌는데, 주입형 M(2p×p)에서는 가장 오래 걸렸고, 사영형 M(p×5)에서는 가장 빠르게 수행되었다.

비교 대상인 강인 행렬 CUR