Low-rank tensor completion using nonconvex total variation

Abstract

У цій роботі вивчається задача тензорного доповнення, в якій головним є передбачення відсутніх значень у візуальних даних. Щоб отримати максимальну користь із гладкої структури та властивості збереження країв у візуальних зображеннях, пропонується модель тензорного доповнення, яка шукає розрідженість градієнта за допомогою l0-норми. Пропозиція поєднує в собі матричну факторізацію низького рангу, яка гарантує властивість низького рангу та неопуклі повні варіації (ПВ). Подано декілька експериментів, щоб продемонструвати ефективність запропонованої моделі порівняно з популярними методами тензорного доповнення з точки зору візуальних і кількісних показників.In this work, we study the tensor completion problem in which the main point is to predict the missing values in visual data. To greatly benefit from the smoothness structure and edge-preserving property in visual images, we suggest a tensor completion model that seeks gradient sparsity via the l0-norm. The proposal combines the low-rank matrix factorization which guarantees the low-rankness property and the nonconvex total variation (TV). We present several experiments to demonstrate the performance of our model compared with popular tensor completion methods in terms of visual and quantitative measures.