基于截断核范数正则化的低秩张量补全
计算机视觉与模式识别
2018-05-29 v5
摘要
当前，低秩张量补全在恢复元素部分缺失的不完整视觉数据方面获得了越来越多的关注。将彩色图像或视频视为三维（3D）张量，以往研究提出了若干张量核范数的定义。然而它们存在局限，可能无法恰当近似张量的真实秩。此外，它们在优化中未显式利用低秩性质。已有证明表明，新近提出的截断核范数（TNN）可替代传统核范数，作为矩阵秩的更好估计。因此，本文提出一种称为张量截断核范数（T-TNN）的新方法，其给出了张量核范数的新定义，并将截断核范数从矩阵情形推广至张量情形。得益于 TNN 的低秩性，我们的方法提升了张量补全的效果。我们借助先前提出的张量奇异值分解与交替方向乘子法（ADMM）进行优化。在真实视频与图像上的大量实验表明，本方法性能优于现有方法。
引用
@article{arxiv.1712.00704,
title = {Low-Rank Tensor Completion by Truncated Nuclear Norm Regularization},
author = {Shengke Xue and Wenyuan Qiu and Fan Liu and Xinyu Jin},
journal= {arXiv preprint arXiv:1712.00704},
year = {2018}
}
备注
Accepted as a poster presentation at the 24th International Conference on Pattern Recognition in 20-24 August 2018, Beijing, China