基于TT秩非凸优化的张量填充方法

提出一种基于张量火车(Tensor Train, TT)分解的低秩张量填充(Low Rank Tensor Completion, LRTC)模型。首先,采用张量Ket扩展(Ket Augmentation, KA)技术将三阶张量扩展为高阶张量,揭示数据张量中的块低秩性;然后,采用非凸函数逼近秩函数,更好地刻画了数据的低秩性。彩色图像恢复实验表明,提出的方法具有较高的峰值信噪比(Peak Signal to Noise Ratio, PSNR)值,在10%~40%的低采样率下,优势更为明显。

基于非局部张量火车分解的彩色图像修补

数据在采集和转换的过程中通常存在部分数据丢失的问题,丢失数据的补全直接影响后续的识别、跟踪等高层任务的结果.自然图像中经常存在许多具有重复特性的相似结构,利用该类冗余信息,文中提出基于非局部张量火车分解的张量补全方法.利用图像的非局部相似性,挖掘其中蕴含的低秩特性,并通过张量火车分解模型进行建模及升阶,将低阶张量转化为高阶以进行低秩信息的进一步挖掘利用,从而进行图像中缺失数据的修补.实验验证文中方法在图像修补上的有效性.