超像素引导的连续低秩张量表示用于多维数据恢复
计算机视觉与模式识别
2025-08-21 v2
摘要
低秩张量表示（LRTR）已成为多维数据处理的强大工具。然而，经典的基于 LRTR 的方法面临两个关键限制：（1）它们通常假设整体数据是低秩的，但在具有显著空间变化的真实场景中，这一假设常常不成立；（2）它们受限于离散网格数据，限制了其灵活性和适用性。为克服这些限制，我们提出了一个超像素引导的连续低秩张量表示（SCTR）框架，该框架能够超越传统的基于网格的约束，对多维数据进行连续且灵活的建模。我们的方法引入了两项主要创新：首先，受语义一致区域比整体数据表现出更强低秩特性这一观察的启发，我们采用超像素作为基本建模单元。这种设计不仅编码了丰富的语义信息，还增强了对多种数据流形式的适应性。其次，我们提出了一种新颖的非对称低秩张量分解（ALTF），其中特定于超像素的因子矩阵由一个带有专用头的共享神经网络参数化。通过策略性地将全局模式学习与局部自适应分离，该框架有效地捕捉了跨超像素的共性和超像素内的变化。这产生了一种既高度表达又紧凑的表示，平衡了模型效率与适应性。在多个基准数据集上的大量实验表明，SCTR 在多光谱图像、视频和彩色图像上，相较于现有基于 LRTR 的方法，实现了 3-5 dB 的 PSNR 提升。
引用
@article{arxiv.2508.12261,
title = {Superpixel-informed Continuous Low-Rank Tensor Representation for Multi-Dimensional Data Recovery},
author = {Zhizhou Wang and Jianli Wang and Ruijing Zheng and Zhenyu Wu},
journal= {arXiv preprint arXiv:2508.12261},
year = {2025}
}
备注
Under review in AAAI2026