論文の概要: Tensor Completion via Convolutional Sparse Coding Regularization

• arxiv url: http://arxiv.org/abs/2012.00944v2
• Date: Thu, 6 May 2021 08:29:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-30 16:43:59.612486
• Title: Tensor Completion via Convolutional Sparse Coding Regularization
• Title（参考訳）: 畳み込みスパース符号化正規化によるテンソル完全化
• Authors: Zhebin Wu, Tianchi Liao, Chuan Chen, Cong Liu, Zibin Zheng, and Xiongjun Zhang
• Abstract要約: 畳み込みスパース符号化(CSC)は、画像の高周波成分の優れた表現を提供する。 我々は、LRTCの補充正規化としてCSCを採用したLRTC-CSC-IとLRTC-CSC-IIの2つの新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 21.50480469542362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tensor data often suffer from missing value problem due to the complex high-dimensional structure while acquiring them. To complete the missing information, lots of Low-Rank Tensor Completion (LRTC) methods have been proposed, most of which depend on the low-rank property of tensor data. In this way, the low-rank component of the original data could be recovered roughly. However, the shortcoming is that the detail information can not be fully restored, no matter the Sum of the Nuclear Norm (SNN) nor the Tensor Nuclear Norm (TNN) based methods. On the contrary, in the field of signal processing, Convolutional Sparse Coding (CSC) can provide a good representation of the high-frequency component of the image, which is generally associated with the detail component of the data. Nevertheless, CSC can not handle the low-frequency component well. To this end, we propose two novel methods, LRTC-CSC-I and LRTC-CSC-II, which adopt CSC as a supplementary regularization for LRTC to capture the high-frequency components. Therefore, the LRTC-CSC methods can not only solve the missing value problem but also recover the details. Moreover, the regularizer CSC can be trained with small samples due to the sparsity characteristic. Extensive experiments show the effectiveness of LRTC-CSC methods, and quantitative evaluation indicates that the performance of our models are superior to state-of-the-art methods.
• Abstract（参考訳）: テンソルデータは、複雑な高次元構造のため、しばしば値の欠落に悩まされる。 不足情報を補うために、多くの低ランクテンソル補完法(LRTC)が提案され、そのほとんどはテンソルデータの低ランク性に依存している。 このようにして、元のデータの低ランク成分を大まかに復元することができる。 しかし欠点は、核ノルム(SNN)やテンソル核ノルム(TNN)に基づく手法に拘わらず、詳細情報が完全に復元できないことである。 それとは逆に、信号処理の分野では、畳み込みスパース符号化(CSC)は画像の高周波成分の優れた表現を提供することができる。 しかし、cscは低周波成分をうまく処理できない。 そこで本研究では, LRTC と LRTC-CSC-I, LRTC-CSC-II の2つの新しい手法を提案する。 したがって、lrtc-csc法は欠落値問題を解決するだけでなく、詳細を復元することができる。 さらに、正規化器CSCは、空間特性のため、小さなサンプルで訓練することができる。 拡張実験はLRTC-CSC法の有効性を示し, 定量的評価により, モデルの性能が最先端手法よりも優れていることが示された。

関連論文リスト

• Unsupervised Low-dose CT Reconstruction with One-way Conditional Normalizing Flows [7.727981333251735]
  本稿では,CNFsをベースとした非教師付きLDCT反復再構成アルゴリズムを提案する。 双対空間において交互最適化を行う際には厳密な片方向変換を用いる。 異なるデータセットに対する実験により、提案アルゴリズムの性能は、最先端の教師なしおよび教師なしの手法を超越する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-10-23T03:47:29Z)
• Bridging Component Learning with Degradation Modelling for Blind Image Super-Resolution [69.11604249813304]
  視覚障害者のためのコンポーネント分解・協調最適化ネットワーク(CDCN)を提案する。 CDCNは入力LR画像を特徴空間の構造と詳細成分に分解する。 本稿では,HR画像の細部と構造復元過程を協調的に監督する,劣化駆動型学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-03T14:53:56Z)
• Learning Detail-Structure Alternative Optimization for Blind Super-Resolution [69.11604249813304]
  そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。 DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。 本手法は既存の手法に対して最先端の手法を実現する。
  論文  参考訳（メタデータ） (2022-12-03T14:44:17Z)
• A Parameter-free Nonconvex Low-rank Tensor Completion Model for Spatiotemporal Traffic Data Recovery [14.084532939272766]
  トラフィックデータは慢性的に腐敗に悩まされ、その後のITSアプリケーションでは精度と実用性が低下する。 提案手法は他の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-09-28T02:29:34Z)
• RPLHR-CT Dataset and Transformer Baseline for Volumetric Super-Resolution from CT Scans [12.066026343488453]
  粗い解像度は、医師またはコンピュータ支援診断アルゴリズムによる医学的診断の困難を引き起こす可能性がある。 深層学習に基づく容積超解法(SR法)は、解法を改善するための実現可能な方法である。 本稿では,RPLHR-CTをボリュームSRのベンチマークとして構築した。 また,CNNの固有の欠点を考慮し,アテンション機構に基づくトランスフォーマーボリューム超解像ネットワーク(TVSRN)を提案する。
  論文  参考訳（メタデータ） (2022-06-13T15:35:59Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
  実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。 監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。 ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
  論文  参考訳（メタデータ） (2020-12-18T08:25:39Z)
• Representation Learning via Cauchy Convolutional Sparse Coding [7.784354802855044]
  畳み込みスパース符号化(CSC)は、(el)ノルムの忠実度項と、ペナルティを強制するスパーシティの両方を共同最適化することにより、特徴の教師なし学習を可能にする。 本研究では、CSC生成モデルの特徴写像の係数について、仮定されたコーシーから導出される正規化項を用いて検討する。 この事前から生じる空間的ペナルティ項は、その近位演算子によって解決され、特徴写像の係数に対して反復的に要素的に適用され、CSCコスト関数を最適化する。
  論文  参考訳（メタデータ） (2020-08-08T08:21:44Z)
• Lightweight image super-resolution with enhanced CNN [82.36883027158308]
  強い表現力を持つ深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像(SISR)において印象的な性能を達成した 情報抽出・拡張ブロック(IEEB)、再構築ブロック(RB)、情報精製ブロック(IRB)の3つの連続したサブブロックを持つ軽量拡張SR CNN(LESRCNN)を提案する。 IEEBは階層的低分解能(LR)特徴を抽出し、SISRの深い層上の浅い層の記憶能力を高めるために、得られた特徴を段階的に集約する。 RBはグローバルに拡散することで低周波特徴を高周波特徴に変換する
  論文  参考訳（メタデータ） (2020-07-08T18:03:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。