Under-Sampled High-Dimensional Data Recovery via Symbiotic Multi-Prior Tensor Reconstruction

要約

センシングテクノロジーの進歩により、高次元データの広範なアプリケーションが推進されています。
ただし、取得中のエントリの欠落や送信などの問題は、後続のタスクの精度に悪影響を及ぼします。
テンソル再構成は、高次元データの以前の情報を調査することにより、サンプリングされていない観察されたデータから基礎となる完全なデータを回復することを目的としています。
ただし、調査が不十分なため、サンプリングレートが非常に低い場合、再構築方法は依然として課題に直面しています。
この作業では、データの固有の構造を包括的に活用するために複数のプライアーを統合するテンソル再構築方法を提案します。
具体的には、このメソッドは、学習可能なテンソル分解を組み合わせて、再構築されたデータの低ランク制約、スムージングと除去のための事前に訓練された畳み込みニューラルネットワーク、および再構成されたデータの非局所類似性を強化するためのブロックマッチングと3Dフィルタリングの正則化を実施します。
乗数アルゴリズムの交互方向方法は、結果の最適化問題を3つのサブ問題に分解して、効率的な解像度を分解するように設計されています。
カラー画像、ハイパースペクトル画像、グレースケールビデオデータセットに関する広範な実験は、最先端の方法と比較して、極端な場合の方法の優位性を示しています。

要約(オリジナル)

The advancement of sensing technology has driven the widespread application of high-dimensional data. However, issues such as missing entries during acquisition and transmission negatively impact the accuracy of subsequent tasks. Tensor reconstruction aims to recover the underlying complete data from under-sampled observed data by exploring prior information in high-dimensional data. However, due to insufficient exploration, reconstruction methods still face challenges when sampling rate is extremely low. This work proposes a tensor reconstruction method integrating multiple priors to comprehensively exploit the inherent structure of the data. Specifically, the method combines learnable tensor decomposition to enforce low-rank constraints of the reconstructed data, a pre-trained convolutional neural network for smoothing and denoising, and block-matching and 3D filtering regularization to enhance the non-local similarity in the reconstructed data. An alternating direction method of the multipliers algorithm is designed to decompose the resulting optimization problem into three subproblems for efficient resolution. Extensive experiments on color images, hyperspectral images, and grayscale videos datasets demonstrate the superiority of our method in extreme cases as compared with state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google