.png){kind=icon}
返回
Parameterized Low-Rank Regularizer for High-dimensional Visual Data
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-025-02569-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
矩阵分解模型和核范数，两种表征低秩先验的突出方法，在严重退化条件下精确恢复低秩数据时面临挑战，且缺乏泛化能力。为缓解这些局限性，我们提出了参数化低秩正则化器（PLRR），通过利用神经网络参数化因子矩阵来建模低秩视觉数据，这些因子矩阵的可行域本质上受到约束。这种方法可解释为对因子矩阵施加自动学习的惩罚项。更重要的是，网络参数中编码的知识增强了泛化能力。作为一种通用的低秩建模工具，PLRR在多种逆问题中表现出卓越性能，包括视频前景提取、高光谱图像（HSI）去噪、HSI修复、多时相多光谱图像（MSI）去云以及MSI引导的盲HSI超分辨率。更重要的是，PLRR针对具有多样化退化、时相变化和场景背景的图像展现了稳健的泛化能力。
Keyword:
Low-rank matrix factorization
Low-rank tensor factorization
Nuclear norm
Hyperspectral image denoising
Tensor completion
Remote sensing image decloud
Remote sensing image fusion
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
Fully-Connected Tensor Network Decomposition and Its Application to Higher-Order Tensor Completion
OAAI
OAAI分享收藏分享收藏Hyperspectral Mixed Noise Removal via Spatial-Spectral Constrained Unsupervised Deep Image PriorOAAI
OAAI分享收藏
查看更多内容