論文の概要: Color Image Recovery Using Generalized Matrix Completion over Higher-Order Finite Dimensional Algebra

• arxiv url: http://arxiv.org/abs/2308.02621v1
• Date: Fri, 4 Aug 2023 15:06:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 19:37:32.795853
• Title: Color Image Recovery Using Generalized Matrix Completion over Higher-Order Finite Dimensional Algebra
• Title（参考訳）: 高次有限次元代数上の一般化行列補完を用いたカラー画像復元
• Authors: Liang Liao, Zhuang Guo, Qi Gao, Yan Wang, Fajun Yu, Qifeng Zhao, Stephen Johh Maybank
• Abstract要約: 従来の2階行列モデルをより包括的な高階行列同値に拡張し、「t-行列」モデルと呼ぶ。 この "t-matrix" モデルは、一般的に使用される行列およびテンソル完備化アルゴリズムを高階バージョンに拡張するために使用される。
• 参考スコア（独自算出の注目度）: 10.10849889917933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To improve the accuracy of color image completion with missing entries, we present a recovery method based on generalized higher-order scalars. We extend the traditional second-order matrix model to a more comprehensive higher-order matrix equivalent, called the "t-matrix" model, which incorporates a pixel neighborhood expansion strategy to characterize the local pixel constraints. This "t-matrix" model is then used to extend some commonly used matrix and tensor completion algorithms to their higher-order versions. We perform extensive experiments on various algorithms using simulated data and algorithms on simulated data and publicly available images and compare their performance. The results show that our generalized matrix completion model and the corresponding algorithm compare favorably with their lower-order tensor and conventional matrix counterparts.
• Abstract（参考訳）: カラー画像補完の精度を向上させるため,一般化された高次スカラーに基づく回復手法を提案する。 従来の二階行列モデルをより包括的に高階行列同値("t-matrix"モデル)に拡張し、局所的なピクセル制約を特徴付けるピクセル近傍拡張戦略を取り入れた。 この「t行列」モデルは、一般的な行列およびテンソル補完アルゴリズムを高次バージョンに拡張するために使用される。 シミュレーションデータとアルゴリズムを用いて,シミュレーションデータと公開画像を用いて様々なアルゴリズムを広範囲に実験し,その性能を比較する。 その結果, 一般化行列補完モデルとそれに対応するアルゴリズムは, 下階テンソルや従来の行列と良好に比較できた。

関連論文リスト

• DNNLasso: Scalable Graph Learning for Matrix-Variate Data [2.7195102129095003]
  我々は,Kronecker-sum構造精度行列を推定するための,対角非負のグラフィカルラッソモデルを提案する。 DNNLassoは、最先端の手法を精度と計算時間の両方で大きなマージンで上回る。
  論文  参考訳（メタデータ） (2024-03-05T02:49:00Z)
• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• Graph Polynomial Convolution Models for Node Classification of Non-Homophilous Graphs [52.52570805621925]
  本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。 得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。 提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
  論文  参考訳（メタデータ） (2022-09-12T04:46:55Z)
• Approximation of Images via Generalized Higher Order Singular Value Decomposition over Finite-dimensional Commutative Semisimple Algebra [18.144916444749473]
  有限次元可換代数上でのHOSVDの一般化の問題を考える。 公開されている画像の実験では、THOSVDと呼ばれるt-スカラー上の一般化されたアルゴリズムが、標準のものと好意的に比較されている。
  論文  参考訳（メタデータ） (2022-02-01T15:01:12Z)
• A Deep Generative Model for Matrix Reordering [26.86727566323601]
  グラフの様々な行列の並べ替えの潜在空間を学習する生成モデルを開発する。 学習した潜在空間から直感的なユーザインタフェースを構築し、様々な行列の並べ替えのマップを作成する。 本稿では,グラフの行列再順序生成を機械学習モデルで学習する,グラフの行列可視化に対する基本的新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-11T02:55:24Z)
• Non-PSD Matrix Sketching with Applications to Regression and Optimization [56.730993511802865]
  非PSDおよび2乗根行列の次元削減法を提案する。 複数のダウンストリームタスクにこれらのテクニックをどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2021-06-16T04:07:48Z)
• Adversarially-Trained Nonnegative Matrix Factorization [77.34726150561087]
  非負行列ファクタリゼーションの逆学習版を検討する。 我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。 辞書と係数行列を最適化するために, 逆学習に触発された効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-04-10T13:13:17Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)
• Optimal Iterative Sketching with the Subsampled Randomized Hadamard Transform [64.90148466525754]
  最小二乗問題に対する反復スケッチの性能について検討する。 本研究では、Haar行列とランダム化されたHadamard行列の収束速度が同一であることを示し、ランダムなプロジェクションを経時的に改善することを示した。 これらの手法は、ランダム化次元還元を用いた他のアルゴリズムにも適用することができる。
  論文  参考訳（メタデータ） (2020-02-03T16:17:50Z)

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。