.png){kind=icon}
返回
A Robust Tensor Wheel Decomposition-Based Regularization Method for Tensor Completion Problem
.png){kind=icon}
PRE
AI
DOI：10.1007/s10915-025-02910-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期提出的张量轮（TW）分解在处理高阶数据恢复任务方面具有巨大潜力。TW分解由一个核心因子和N个环因子组成，采用新的轮式拓扑结构来表征多维张量中的复杂交互。然而，当秩估计不准确时，TW网络的性能将下降，这需要适当的TW秩来维持良好性能。本文引入基于因子的正则化，构建了一种新颖的基于TW分解的张量补全模型，该模型能够保持秩的鲁棒性，并进一步实现稳定性能。此外，配备了一种具有保证收敛性的高效近端交替最小化求解算法，可以求解所提出的张量补全模型，并在理论上证明其收敛性。在大量合成数据和真实数据上的实验表明，所提出的方法与经典和最新方法相比取得了具有竞争力的结果，有效减轻了TW秩选择的负担，且结果更为稳定。例如，对于5%的采样率，我们在19张图像上获得了约2 dB的平均PSNR增益。此外，在MSI图像Toy上，对于不同的秩选择，所提出的方法在所有秩选择上均优于TW方法，实现了100%/91%/64%的优异恢复率。这些实验结果证明了所提出方法的有效性和鲁棒性。
Keyword:
Tensor decomposition
Tensor completion
Low-rankness
Proximal alternating minimization
期刊
IF:
3.3
论文数:
738
被引数:
9.6K
机构
引用论文
Matrix product states, projected entangled pair states, and variational renormalization group methods for quantum spin systems量子自旋系统的矩阵乘积态，投影纠缠态和变分重归一化组方法.png)
ADVANCES IN PHYSICS
OAAI
ADVANCES IN PHYSICSIF13.8
OAAI分享收藏
TR-STF: a fast and accurate tensor ring decomposition algorithm via defined scaled tri-factorization
PREAI
分享收藏
查看更多内容