.png){kind=icon}
返回
Block Tensor Ring Decomposition: Theory and Application
.png){kind=icon}
PRE
AI
DOI：10.1109/TSP.2025.3589059.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，张量分解在处理多维信号方面受到了广泛关注，尤其是以块项分解（BTD）族和张量网络分解（TND）族为代表。然而，这两类分解方法长期以来彼此孤立，各自的优势未能相互启发或受益。为解决这一困境，我们提出了一种块张量环分解（BTRD），该分解将一个N阶张量分解为基本向量因子与(N-1)阶系数张量外积之和，这些系数张量进一步由张量环表示。BTRD的优势在于能够更好地探索张量的外多重分量结构以及每个分量的内部张量拓扑。为检验所提BTRD的潜力，我们将其应用于低秩张量补全模型这一代表性任务，并证明了理论上的泛化误差界，该界从理论角度支持了所提模型在处理高阶张量时的优势。为解决由此产生的优化问题，我们采用了一种高效的基于近端交替最小化（PAM）的算法，并提供了理论收敛保证。在真实信号数据（彩色视频和光场图像）上的大量实验结果证明了所提模型相比当前最优基线模型的优越性。
Keyword:
Tensor completion
high-order tensor
low-rank tensor decomposition
block-term decomposition
tensor ring decomposition
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
.png){kind=icon}
$(L_r,L_r,1)$-Decompositions, Sparse Component Analysis, and the Blind Separation of Sums of Exponentials$(L_r,L_r,1)$-分解、稀疏成分分析及指数和的盲源分离
OAAI
OAAI分享收藏Fully-Connected Tensor Network Decomposition and Its Application to Higher-Order Tensor CompletionOAAI
OAAI分享收藏Learnable Spatial-Spectral Transform-Based Tensor Nuclear Norm for Multi-Dimensional Visual Data Recovery基于可学习的空间-光谱变换的张量核范数用于多维视觉数据恢复OAAI
OAAI分享收藏
查看更多内容