The linear transform-based tensor nuclear norm (TNN) methods have recently obtained promising results for tensor completion. The main idea of this type of methods is exploiting the low-rank structure of frontal slices of the targeted tensor under the linear transform along the third mode. However, the low-rankness of frontal slices is not significant under linear transforms family. To better pursue the low-rank approximation, we propose a nonlinear transform-based TNN (NTTNN). More concretely, the proposed nonlinear transform is a composite transform consisting of the linear semi-orthogonal transform along the third mode and the element-wise nonlinear transform on frontal slices of the tensor under the linear semi-orthogonal transform, which are indispensable and complementary in the composite transform to fully exploit the underlying low-rankness. Based on the suggested low-rankness metric, i.e., NTTNN, we propose a low-rank tensor completion (LRTC) model. To tackle the resulting nonlinear and nonconvex optimization model, we elaborately design the proximal alternating minimization (PAM) algorithm and establish the theoretical convergence guarantee of the PAM algorithm. Extensive experimental results on hyperspectral images, multispectral images, and videos show that the our method outperforms linear transform-based state-of-the-art LRTC methods qualitatively and quantitatively.


翻译:以线性变换为基础的高压核规范(TNN)方法最近取得了令人乐观的结果,最终最终将最终完成。这类方法的主要想法是利用第三种模式线性变换中目标粒子在线性变换线性变换线性变换线性变换线性变换线性变换线性变换线性变压前部分的低位结构。然而,在线性变换组合中,前端切子的低位并不是显著的。为了更好地追求低级变换近端,我们建议采用非线性变换TNNNN(NTNNNNN)模式。更具体地说,拟议的非线性变换是一种复合变换,包括沿第三种模式的线性半正态变换线性,以及线性变换线性变换线性色素前部的元素非线性变换形。我们精心设计了线性变异性变异性变异性变异性变异性变异性变异性变异性变异性变异性变异性变异性变异性变异性变异性变异性模型(PAMXMISLMISMLMLMISMLMLMISLMLMMLMLMLMLA) 和制变制变制结果。根据低性变异性变真性变变变变变变后,我们制的理论性变真性变变变变变变变变变制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制式和制制制制制制制制制制制制制制的模型和制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制的模型,以制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制制,我们制制制,我们制制制制制制制制制制式制式制制制制制制

0
下载
关闭预览

相关内容

张量核范数是其奇异值的总和,由张量本身的奇异值分解(SVD)提供。
专知会员服务
52+阅读 · 2020年11月3日
【课程推荐】人工智能导论:Introduction to Articial Intelligence
AAAI2020 图相关论文集
图与推荐
10+阅读 · 2020年7月15日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
已删除
将门创投
3+阅读 · 2019年4月12日
提高GAN训练稳定性的9大tricks
人工智能前沿讲习班
13+阅读 · 2019年3月19日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年12月13日
Arxiv
4+阅读 · 2019年1月14日
VIP会员
相关VIP内容
相关资讯
AAAI2020 图相关论文集
图与推荐
10+阅读 · 2020年7月15日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
已删除
将门创投
3+阅读 · 2019年4月12日
提高GAN训练稳定性的9大tricks
人工智能前沿讲习班
13+阅读 · 2019年3月19日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员