一种用于视频补全的新型低秩张量模型
计算机视觉与模式识别
2015-09-08 v1
摘要
本文提出一种基于循环代数的新型低秩张量模型，简称为扭曲张量核范数（twist tensor nuclear norm，简称 t-TNN）。扭曲张量表示一种三阶张量表示，用于按顺序横向存储二维数据切片。一方面，t-TNN 在傅里叶域中对扭曲张量的张量多秩进行凸松弛，从而可利用 FFT 进行高效计算。另一方面，t-TNN 等于原始域中扭曲张量的块循环矩阵化（block circulant matricization）的核范数，其以块循环方式推广了传统矩阵核范数。我们在视频补全应用上测试了 t-TNN 模型，该应用旨在填充缺失值，实验结果验证了其有效性，尤其是在处理由非静止平移相机拍摄的视频时。扭曲张量的块循环矩阵化可转换为具有核范数不变性的循环块表示。该变换后的表示利用了视频帧间的水平平移关系，并赋予 t-TNN 模型比现有最先进的低秩模型更强的平移视频重建能力。
引用
@article{arxiv.1509.02027,
title = {A New Low-Rank Tensor Model for Video Completion},
author = {Wenrui Hu and Dacheng Tao and Wensheng Zhang and Yuan Xie and Yehui Yang},
journal= {arXiv preprint arXiv:1509.02027},
year = {2015}
}
备注
8 pages, 11 figures, 1 table