Revisiting Nonlocal Self-Similarity from Continuous Representation论文结构（笔记）

文中使用隐式神经表示（INR）来学习数据的连续表示，并将连续空间分割成基本的连续立方体；在连续空间中定义的耦合低秩函数分解，更紧凑和准确地表示所有非局部组，并通过全局提取组间的相关性知识以共享参数的方式进行表示。
 

论文结构：
1.介绍
2.相关工作
--基于非局部自相似性的方法
--基于基函数的方法
--基于连续表示的方法
3.文中提出的CRNL方法（基于连续表示的非局部方法）
--A.基础知识
    定义了张量的frobenius范数、l1范数、张量沿着d-模式展开及其逆、张量tucker分解。
--B.总览CRNL
    简单介绍CRNL的算法（基本立方体分割、分组、耦合低秩函数分解）
--C.CRNL算法
    分割：每个维度沿着各自长度进行分割，每个不重叠的小方块（步长=方块大小）是关键连续立方体。
    分组：用学习到的显示表示来计算关键方块与连续方块的相似性，找出前s个相似的组成连续组，坐标对齐，构建新观测数据集（包含s值）。
    耦合低秩函数分解：低秩函数分解的不足-->N+1个因子函数共享，核心张量不共享-->耦合低秩函数分解。
--D.组内和组间的相似性
    提出的方法能表征连续组间的相似性并且尊重每个连续组的个性（能捕捉组内、组间的相似性）。并用lipschitz平滑证明了观点。
--E.正则化项的设计
    （1）、（5）的正则化项设计
4.实验结果
5.总计全文