.png){kind=icon}
返回
Efficient and compact tensor wheel decomposition for tensor completion
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.112377.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
张量轮（TW）分解最近作为一种强大的技术出现，用于在张量补全任务中实现最先进的恢复性能。然而，其广泛应用受到与秩敏感性和高计算成本相关的问题的阻碍。为了解决这些局限性，我们介绍了一种针对低秩张量补全的高效且紧凑的TW分解方法。具体而言，我们证明TW分解的模型复杂度由两个要素同时控制，即显式的TW秩和核心张量中的隐式稀疏性。因此，引入低秩和稀疏正则化分别应用于环因子和核心因子，以实现紧凑的TW分解。此外，为了缓解TW分解的计算瓶颈，我们提出了一种新颖的广义逆运算，将标准TW分解的计算复杂度从O(INR²N)降低到O(INRN)。随后，我们开发了一种具有理论收敛保证的高效乘子交替方向法（ADMM）算法。在彩色图像、多光谱图像和彩色视频上的数值张量补全实验表明，所提出的方法在显著减少运行时间的同时，相比最先进的方法实现了更优的性能。代码可在以下地址获取：https://github.com/justicbro/TWLRS。
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
A generalizable framework for low-rank tensor completion with numerical priors具有数值先验的低秩张量补全的可推广框架.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏DATA-DRIVEN TENSOR TRAIN GRADIENT CROSS APPROXIMATION FOR HAMILTON-JACOBI-BELLMAN EQUATIONS数据驱动的hamilton-jacobi-bellman方程的张量训练梯度交叉逼近
OAAI
OAAI分享收藏Nonlocal B-spline representation of tensor decomposition for hyperspectral image inpaintingSIGNAL PROCESSING
SIGNAL PROCESSINGIF3.6
PREAI
分享收藏
分享收藏
查看更多内容