基于新型稀疏诱导正则化器的低秩张量补全
机器学习
2023-10-11 v1 图像与视频处理
信号处理
摘要
为缓解低秩张量补全问题中l1范数产生的偏差，已有研究建议采用非凸替代/正则化器来替代张量核范数，尽管二者均可实现稀疏性。然而，这些非凸正则化器的阈值函数可能无闭式表达，从而需要迭代，增加了计算负担。为解决该问题，我们设计了一个可生成具有闭式阈值函数的稀疏诱导正则化器的框架。将这些正则化器应用于低管秩张量补全，并基于交替方向乘子法开发了高效算法。此外，分析了方法的收敛性，证明所生成的序列有界且任一极限点为驻点。使用合成与真实数据集的实验结果表明，所提算法在恢复性能上优于现有最优方法。
引用
@article{arxiv.2310.06233,
title = {Low-Rank Tensor Completion via Novel Sparsity-Inducing Regularizers},
author = {Zhi-Yong Wang and Hing Cheung So and Abdelhak M. Zoubir},
journal= {arXiv preprint arXiv:2310.06233},
year = {2023}
}