qq_67279091的博客

fully-connected tensor network (FCTN) decomposition一个问题在于rank参数过多, 文章提出了一种自适应选择FCTN rank的方法.

文章主要思想是使用INR做low-rank representation. 所探讨的是Tucker decomposition，其中core tensor是learnable parameter，factor matrices是基于INR学习出来的.

模型方面，文章基于Blockwise Group Sparsity的先验，用Laplace surrogate约束Tucker decomposition的core factor. 此外，ADMM在此模型中收敛性不能得到保证，因此设计了一个two-stage framework来进行求解.这篇文章主要用于hyperspectral super-resolution (HSR)，证明了TF-HSR的方法在某些情形下，几乎不能重建出对应的超分高光谱。

论文主要用于hyperspectral image Super-Resolution (HSI-SR). 给定一个high spatial resolution multispectral image (HR-MSI)，以及low spatial resolution hyperspectral image (LR-HSI)，我们目标是将二者融合成一个HSI-SR。

文章的主要思想是用network来学low-rank decomposition的两个matrix（input是random input）. 文章的framework可以直接应用到别的model中，同时可以对其添加许多flexible priors.

文章的思想是，基于CP分解的tensor completion模型，对low-rank component再作用一个网络(i.e., 文章中的decoder)，网络和DIP的思想是类似的，最终可以恢复得到一个更加接近真实数据的结果。

在之前的工作中，Dictionary-based TNN (DTNN, 2023 TNNLS) 在TNN的基础上引入了redundant transform来提升low-rankness，从而取得了较好的效果，但这也使得计算代价变大。如笔记中的Fig. 1的流程图所示，相较于DTNN，提出的LS2T2NN在spectral encoding前加入了一步spatial encoding，使得tensor的第1,2个dimension从。理论上也保证了，LS2T2NN比DTNN更小(Theorem 1)。

This work achieved the first place in the real depth map SR challenge held in ACM ICMR 2021. 目的：从一个target image(如低分辨的深度图)和guidance image(如高分辨的RGB图)，得到输出(如高分辨的深度图)。主要思想是考虑了target和guidance之间的互补信息，若二者有一致的结构，则重建数据的先验主要来自引导；

此外，笔记也简述了一些 related work：

一个基于TNN-TRPCA的简单创新的论文，Tensor Robust PCA主要是将一个tensor分解为low-rank和sparse两个component，主要思想是引入了weighted tensor Schatten-p norm进行建模。

主要研究的是tensor spectral clustering以及Multiview tensor spectral clustering。

这篇论文最早是在2021 ICCV上， Fast Robust Tensor Principal Component Analysis via Fiber CUR Decomposition. 之后发表在SIAM Journal on Imaging Sciences, 2024。本文主要基于作者之前的提出的Tensor CUR做TRPCA problem，在一些实验如background subtraction中表现好且速度非常快。

论文: Attention-Guided Low-Rank Tensor Completion, 作者为Truong Thanh Nhat Mai, Edmund Y. Lam and Chul Lee.

论文: Bayesian Matrix Completion with Hierarchical Gaussian Prior Models, 作者为Linxiao Yang, Jun Fang, Huiping Duan, Hongbin Li and Bing Zeng.

IIT中用到了LLE，因此把西瓜书的第十章通看了一遍。之前写的笔记，最近准备一一分享出来。

Article：Intrinsic Image Transfer for Illumination ManipulationLink：https://www.semanticscholar.org/reader/9848252ecc5db67354b29fce52958ae468a232b3Matlab：https://github.com/QingXin96/Intrinsic_image_transfer

所复述的论文是Fast and Provable Tensor Robust Principal Component Analysis via Scaled Gradient Descent，作者为Harry Dong, Tian Tong, Cong Ma, Yuejie Chi.