基于t-SVD的重加权低秩张量分解及其在视频去噪中的应用
计算机视觉与模式识别
2017-07-11 v4 数值分析
摘要
基于t-SVD的张量鲁棒主成分分析(TRPCA)通过将受严重误差破坏的低秩多线性信号分解为低多秩和稀疏分量，同时最小化张量核范数和l1范数。但如果信号的多秩相当大和/或存在大量噪声，TRPCA的性能会恶化。为克服该问题，本文提出一种基于t-SVD的新的高效迭代重加权张量分解方案，显著改善TRPCA中的张量多秩。此外，张量的稀疏分量也通过重加权l1范数恢复，提高了分解精度。通过将所提方法应用于视频去噪问题，确立了其有效性，实验结果显示所提算法优于同类算法。
引用
@article{arxiv.1611.05963,
title = {Reweighted Low-Rank Tensor Decomposition based on t-SVD and its Applications in Video Denoising},
author = {M. Baburaj and Sudhish N. George},
journal= {arXiv preprint arXiv:1611.05963},
year = {2017}
}
备注
Algorithm 1 is inefficient since line 2 is processed n 3 times need to be changed There are inconsistent notations throughout the manuscript Unitary Tensor are not defined