RPCANet++：用于稀疏对象分割的深度可解释鲁棒主成分分析

鲁棒主成分分析（RPCA）将观测矩阵分解为低秩背景分量和稀疏目标分量。这一能力使其能够应用于图像恢复到分割等任务。然而，传统的RPCA模型存在由矩阵操作引起的计算负担、对精确调整超参数的依赖以及在动态场景中限制适应性的僵化先验等问题。为了解决这些限制，我们提出了RPCANet++，一种稀疏目标分割框架，它融合了RPCA的可解释性与高效的深度架构。我们的方法将一个松弛的RPCA模型展开成一个结构化网络，该网络包含背景近似模块（BAM）、目标提取模块（OEM）和图像恢复模块（IRM）。为了减轻BAM中阶段间传输损耗，我们引入了一个记忆增强模块（MAM）以增强背景特征的保留，同时一个深度对比先验模块（DCPM）利用显著性线索来加速目标提取。在各种数据集上进行的广泛实验表明，RPCANet++在各种成像场景下都达到了最先进的性能。我们通过视觉和数值的低秩性和稀疏性测量进一步提高了可解释性。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设定了一个新的基线。代码可在我们的项目网页https://fengyiwu98.github.io/rpcanetx获取。