用于低秩张量补全的截断核范数正则化
计算机视觉与模式识别
2019-01-09 v1
摘要
近年来，低秩张量补全在恢复不完整的视觉数据中变得越来越有吸引力。将彩色图像或视频视为三维（3D）张量，现有研究提出了几种张量核范数的定义。然而，它们存在局限，可能无法准确近似张量的真实秩，且在优化中未显式利用低秩性质。已证明，近期提出的截断核范数（TNN）可以替代传统核范数，作为矩阵秩的一种改进近似。在本文中，我们提出一种称为张量截断核范数（T-TNN）的新方法，其给出了张量核范数的一个新定义。截断核范数从矩阵情形推广到张量情形。借助 TNN 的低秩性，我们的方法提升了张量补全的效果。我们在算法中采用了先前提出的张量奇异值分解、交替方向乘子法以及加速近端梯度线搜索法。在真实视频和图像上的大量实验表明，我们方法的性能优于先前的方法。
引用
@article{arxiv.1901.01997,
title = {Truncated nuclear norm regularization for low-rank tensor completion},
author = {Shengke Xue and Wenyuan Qiu and Fan Liu and Xinyu Jin},
journal= {arXiv preprint arXiv:1901.01997},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1712.00704