基于卷积稀疏编码正则化的张量补全
计算机视觉与模式识别
2021-05-07 v2 机器学习
图像与视频处理
摘要
张量数据在获取时因其复杂的高维结构常面临缺失值问题。为补全缺失信息，已提出许多低秩张量补全（LRTC）方法，其中多数依赖于张量数据的低秩性质。如此可粗略恢复原始数据的低秩分量。但不足之处在于，无论基于核范数之和（SNN）还是张量核范数（TNN）的方法，均无法充分还原细节信息。相反，在信号处理领域，卷积稀疏编码（CSC）能很好地表示图像的高频分量，而高频通常对应于数据的细节分量。然而，CSC 不能很好地处理低频分量。为此，我们提出两种新方法 LRTC-CSC-I 与 LRTC-CSC-II，将 CSC 作为 LRTC 的补充正则化以捕获高频分量。因此，LRTC-CSC 方法不仅能解决缺失值问题，还可恢复细节。此外，得益于稀疏特性，正则化项 CSC 可用小样本训练。大量实验显示了 LRTC-CSC 方法的有效性，定量评估表明我们的模型性能优于当前最优（state-of-the-art）方法。
引用
@article{arxiv.2012.00944,
title = {Tensor Completion via Convolutional Sparse Coding Regularization},
author = {Zhebin Wu and Tianchi Liao and Chuan Chen and Cong Liu and Zibin Zheng and Xiongjun Zhang},
journal= {arXiv preprint arXiv:2012.00944},
year = {2021}
}