用于图像补全的贝叶斯低秩张量环模型
机器学习
2021-04-07 v1 机器学习
多媒体
摘要
低秩张量环模型对图像补全十分有效，其可恢复数据采集与变换中缺失的条目。近期提出的基于张量环(TR)的补全算法通常通过具有预定义秩的交替最小二乘法求解低秩优化问题，当未知秩设得过大且仅有少量观测可用时，易出现过拟合。本文中，我们提出一种贝叶斯低秩张量环模型用于图像补全，可自动学习数据的低秩结构。我们为低秩张量环分解开发了乘性交互模型，其中通过假设核因子元素服从 Student-T 分布来强制其稀疏。与多数现有方法相比，所提方法无需参数调优，且 TR 秩可通过贝叶斯推断获得。包括合成数据、不同尺寸彩色图像以及针对一种姿态的 YaleFace 数据集 B 在内的数值实验表明，所提方法优于最先进的方案，尤其在恢复精度方面。
引用
@article{arxiv.2007.01055,
title = {Bayesian Low Rank Tensor Ring Model for Image Completion},
author = {Zhen Long and Ce Zhu and Jiani Liu and Yipeng Liu},
journal= {arXiv preprint arXiv:2007.01055},
year = {2021}
}