具有自引导数据增强的异常值感知张量鲁棒主分量分析

张量鲁棒主分量分析（TRPCA）是分解多维数据为低秩张量和异常值张量的基本技术，但现有方法依赖稀疏异常值假设，在结构性噪声下常常失效。本文提出一种自引导数据增强方法，通过自适应加权机制抑制异常值的影响，将原始TRPCA问题重新表述为标准的张量主分量分析（TPCA）问题。该模型包含一个优化驱动的加权方案，可在张量增强期间动态识别并降低异常值贡献。我们开发了一种高效的proximal块坐标下降算法，具有闭式更新，确保计算效率。通过将块坐标下降与最大化-最小化原理相结合的框架，保证了理论收敛性。在包含面部恢复、背景减除和光谱去噪等合成数据和真实数据集的Numerical实验中，结果表明该方法有效处理各种损坏模式，相较于当前最先进的方法，在准确性和计算效率方面均取得了改进。