Eigen与NumPy的SVD结果差异：V矩阵不一致问题排查

问题背景 #

将Python原型迁移到C++时，使用相同矩阵执行SVD计算，发现Eigen的JacobiSVD与numpy.linalg.svd得到的H、U、S结果一致，但V矩阵存在视觉差异。

Python代码与输出 #

(U, S, V) = np.linalg.svd(H)
print("h\n", H)
print("u\n", U)
print("v\n", V)
print("s\n", S)
rotation_matrix = np.dot(U, V)

输出：

h
 [[ 1.19586781e+00 -1.36504900e+00  3.04707238e+00]
 [-3.24276981e-01  4.25640964e-01 -6.78455372e-02] 
 [ 4.58970250e-02 -7.33566042e-02 -2.96605698e-03]]
u
 [[-0.99546325 -0.09501679  0.0049729 ]
 [ 0.09441242 -0.97994807  0.17546529]
 [-0.01179897  0.17513875  0.98447306]]
v
 [[-0.34290622  0.39295764 -0.85322893]
 [ 0.49311955 -0.6977843  -0.51954806]
 [-0.79953014 -0.59890012  0.04549948]]
s
 [3.5624894  0.43029207 0.00721429]

C++代码与输出 #

std::cout << "H\n" << HTest << std::endl;
Eigen::JacobiSVD<Eigen::MatrixXd> svd;

svd.compute(HTest, Eigen::ComputeThinV | Eigen::ComputeThinU);
std::cout << "h is" << std::endl << HTest << std::endl;
std::cout << "Its singular values are:" << std::endl << svd.singularValues() << std::endl;
std::cout << "Its left singular vectors are the columns of the thin U matrix:" << std::endl << -1*svd.matrixU() << std::endl;
std::cout << "Its right singular vectors are the columns of the thin V matrix:" << std::endl << -1*svd.matrixV() << std::endl;

输出：

h is
    1.19587    -1.36505     3.04707
  -0.324277    0.425641  -0.0678455
   0.045897  -0.0733566 -0.00296606
Its singular values are:
   3.56249
  0.430292
0.00721429
Its left singular vectors are the columns of the thin U matrix:
 -0.995463 -0.0950168  0.0049729
 0.0944124  -0.979948   0.175465
 -0.011799   0.175139   0.984473
Its right singular vectors are the columns of the thin V matrix:
-0.342906   0.49312  -0.79953
 0.392958 -0.697784   -0.5989
-0.853229 -0.519548 0.0454995

差异原因 #

1. V矩阵的存储形式不同 #

numpy的np.linalg.svd返回的V是右奇异向量矩阵的转置——每个行向量对应一个右奇异向量；而Eigen的JacobiSVD::matrixV()返回的是右奇异向量矩阵本身——每个列向量对应一个右奇异向量。

对比输出可以发现：

• Python的V矩阵第一行：[-0.34290622, 0.39295764, -0.85322893]
• Eigen的-1*svd.matrixV()第一列：-0.342906, 0.392958, -0.853229

两者数值完全一致，只是一个是行向量，一个是列向量。也就是说，numpy返回的V等价于Eigen的matrixV()的转置（再加上你代码中的符号调整）。

2. 奇异向量的符号具有任意性 #

SVD分解的数学特性决定了：对于任意奇异值对应的左奇异向量u_i和右奇异向量v_i，将两者同时取反（-u_i和-v_i），仍然满足原矩阵的分解关系H = U Σ V^T。因此，不同库返回的奇异向量符号可能不同，只要对应的U和V的符号同时调整，分解就是正确的。

你在C++代码中对matrixU乘-1对齐了Python的U矩阵，若要让V矩阵视觉上完全匹配，只需将Eigen的matrixV()转置后再调整符号即可。

验证分解正确性 #

可以通过重构原矩阵验证两者的分解有效性：

• Python中执行：H_recon = U @ np.diag(S) @ V
• C++中执行：Eigen::MatrixXd H_recon = svd.matrixU() * svd.singularValues().asDiagonal() * svd.matrixV().transpose();

两者的重构结果会在数值精度范围内完全一致，说明两种分解都是正确的，只是V的存储形式和符号差异导致了视觉上的不同。

内容的提问来源于stack exchange，提问作者cheesemas46