Principe de la décomposition SVD
La singular value decomposition factorise une matrice réelle M (m×n) en trois matrices U, Σ et V telles que M=U·Σ·Vᵀ. U (m×m) et V (n×n) sont orthonormales, tandis que Σ (m×n) est diagonale‑rectangulaire contenant les valeurs singulières décroissantes. Le nombre de valeurs singulières non nulles correspond au rang de M. Cette factorisation agit directement sur les données, alors que l’analyse en composantes principales (PCA) applique une décomposition similaire à la matrice de covariance.
Truncation et reconstruction
Le truncated SVD consiste à ne conserver que les n premières valeurs singulières et à mettre à zéro le reste de la diagonale de Σ. Les colonnes associées de U et V sont alors éliminées, ce qui réduit les dimensions de ces matrices de (m×n) à (m×n) → (m×n) où n est le nombre de composantes retenues. La matrice reconstruite M' = U'·Σ'·V'ᵀ approche M ; plus n est grand, plus l’erreur ‖M‑M'‖ diminue.
Analyse de la compression sur l’image lunaire
L’article expérimente sur une image en niveaux de gris 1024×1024 (soit 1 048 576 pixels). En ne conservant que 32 valeurs singulières, les matrices U' et V' passent à 1024×32, et Σ' à 32 valeurs. Le stockage total devient 1024×32 + 32 + 1024×32 = 65 568 nombres, soit une réduction factorielle d’environ 16× par rapport aux 1 048 576 valeurs originales. La différence visuelle reste imperceptible à l’œil nu, tandis que le MSE (mean‑squared error) chute rapidement dès les premières composantes, ce qui indique que les premières valeurs singulières capturent la majeure partie de la variance du signal.
Le comportement rappelle les transformations de Fourier ou cosinus, où les basses fréquences portent l’information principale. En SVD, les valeurs singulières supérieures représentent les directions de variance maximale, tandis que les plus petites correspondent à des détails de faible amplitude. Cette propriété explique pourquoi les premiers cadres de la vidéo de reconstruction affichent déjà une image reconnaissable du croissant.
Limites et perspectives
Lorsque les données ne sont pas fortement corrélées, le nombre de valeurs singulières nécessaires pour atteindre une qualité acceptable augmente, réduisant l’efficacité de la compression. De plus, la truncation introduit une perte irréversible : les composantes supprimées ne peuvent être récupérées, ce qui rend le procédé inadapté aux applications nécessitant une reconstruction exacte.
Des extensions pratiques incluent la compression de textures PBR et la réduction de rang pour les filtres convolutifs, où la même logique de factorisation à faible rang permet de diminuer les coûts de stockage et de calcul. Implémenter le truncated SVD avec des bibliothèques optimisées comme Eigen garantit une complexité O(mn · min(m,n)) acceptable pour des matrices de taille modérée.
