Low CP Rank and Tucker Rank Tensor Completion for Estimating Missing Components in Image Data论文笔记

奇异值分解：https://www.cnblogs.com/endlesscoding/p/10033527.html
cp分解和tucker分解：https://blog.csdn.net/yixianfeng41/article/details/73009210

翻译

摘要

张量补全可以恢复多路数据的缺失分量。现有的方法在数据补全的低秩张量优化中使用Tucker秩或CANDECOMP/PARAFAC (CP)秩。实际上，这两种张量秩代表了不同的高维数据结构。在本文中，我们提出通过在低秩张量近似下联合最小化CP秩和Tucker秩来同时利用这两种数据结构进行图像恢复。
利用交替方向乘子法(ADMM)将有两个张量秩的优化模型转化为两个子问题，每个子问题只有一个张量秩优化。对于ADMM中的两个主要子问题，分别采用秩一张量更新法和矩阵核范数加权和最小化法求解。在一些图像和视频补全应用上的数值实验表明，该方法优于目前最先进的方法。
关键词：CANDECOMP/PARAFAC分解，图像恢复，低秩张量补全，Tucker分解。

介绍

多维数组，又称张量，是矩阵的高阶泛化。这是一种表示多路数据的自然方式。张量在信号处理、计算机视觉、神经科学、神经科学等领域有着广泛的应用。在一些图像处理应用中，获得的多路数据可能是不完整的，例如图像/视频修复[13]、[14]和图像/视频压缩[15]。张量补全从其为数不多的可用元素[16]中恢复张量的缺失项。它根据