基于块追踪的流式张量环补全用于视觉数据恢复
计算机视觉与模式识别
2022-08-15 v3 机器学习
摘要
张量补全旨在利用低秩结构恢复部分观测张量的缺失项,并已应用于视觉数据恢复。在数据为顺序到达的应用中(如流式视频补全),张量的缺失项需以流式方式动态恢复。传统流式张量补全算法将整个视觉数据视为一个张量,当张量子空间沿时间维度发生较大变化(例如因视频帧间强运动)时,可能表现不佳。本文提出了一种新颖的基于块追踪的流式张量环补全框架用于视觉数据恢复。给定新到达的一帧,从上一帧追踪小块。同时,对每个追踪块,通过堆叠新帧中的相似块构建块张量。随后使用流式张量环补全算法补全块张量,并利用补全后的块张量恢复到达帧。我们提出了一种新的块追踪策略,能够准确高效地追踪含缺失数据的块。此外,提出了一种新的流式张量环补全算法,可高效准确地更新潜在核心张量并补全块张量的缺失项。大量实验结果表明,所提算法相较于批处理与流式最先进张量补全方法均具有优越性能。
引用
@article{arxiv.2105.14620,
title = {Patch Tracking-based Streaming Tensor Ring Completion for Visual Data Recovery},
author = {Yicong He and George K. Atia},
journal= {arXiv preprint arXiv:2105.14620},
year = {2022}
}