用于图像和视频恢复的“稀疏+低秩”张量补全方法
计算机视觉与模式识别
2022-08-22 v2 最优化与控制
摘要
从高度欠采样数据中恢复彩色图像和视频是人脸识别和计算机视觉中一项基础且具挑战性的任务。鉴于彩色图像和视频的多维特性，本文提出了一种新颖的张量补全方法，能够高效探索张量数据在离散余弦变换（DCT）下的稀疏性。具体而言，我们引入了两个“稀疏+低秩”张量补全模型以及两个用于求解的可实现算法。第一个是基于 DCT 的稀疏加上加权核范数诱导的低秩最小化模型。第二个是基于 DCT 的稀疏加上 -收缩映射诱导的低秩优化模型。此外，我们相应地提出了两种可实现的基于增广拉格朗日的算法来求解这些优化模型。一系列包括彩色图像修复和视频数据恢复在内的数值实验表明，我们提出的方法优于许多现有的最先进张量补全方法，尤其是在缺失数据比例较高的情况下。
引用
@article{arxiv.2110.09298,
title = {"Sparse + Low-Rank'' Tensor Completion Approach for Recovering Images and Videos},
author = {Chenjian Pan and Chen Ling and Hongjin He and Liqun Qi and Yanwei Xu},
journal= {arXiv preprint arXiv:2110.09298},
year = {2022}
}
备注
15 pages, 2 tables and 11 figures