基于自监督非线性变换的张量核范数用于多维图像恢复
图像与视频处理
2022-06-15 v1 计算机视觉与模式识别
摘要
本文研究多维图像恢复。近来，基于变换的张量核范数最小化方法被用于捕捉低秩张量结构，以在多维图像处理应用中恢复三阶张量。此类方法的主要特征是对三阶张量的第三模执行线性变换，然后在变换后的张量上计算张量核范数最小化，从而恢复潜在的低秩张量。本文的主要目标是提出一种非线性多层神经网络，通过观测张量数据在自监督下学习非线性变换。所提网络利用变换后张量的低秩表示以及观测张量与重建张量之间的数据拟合来构造非线性变换。在张量补全、背景减除、鲁棒张量补全和快照压缩成像上的大量实验结果表明，所提方法的性能优于当前最优方法。
引用
@article{arxiv.2105.14320,
title = {Self-Supervised Nonlinear Transform-Based Tensor Nuclear Norm for Multi-Dimensional Image Recovery},
author = {Yi-Si Luo and Xi-Le Zhao and Tai-Xiang Jiang and Yi Chang and Michael K. Ng and Chao Li},
journal= {arXiv preprint arXiv:2105.14320},
year = {2022}
}