Para Dobrar ou Não Dobrar: Treinamento Tensorial Regularizado por Grafo para Completação de Dados Visuais

A representação de treinamento tensorial (TT) alcançou um enorme sucesso em tarefas de completamento de dados visuais, especialmente quando combinada com a dobra de tensores. No entanto, dobrar um tensor de imagem ou vídeo quebra a estrutura original dos dados, resultando em perda de informação local, já que pixels próximos podem ser atribuídos a dimensões diferentes e se afastar uns dos outros. Neste artigo, para preservar totalmente a informação local dos dados visuais originais, exploramos não dobrar o tensor de dados e, ao mesmo tempo, adotamos informações de grafo para regularizar a similaridade local entre entradas próximas. Para superar a alta complexidade computacional introduzida pela regularização baseada em grafo no problema de completamento TT, propomos dividir o problema original em múltiplos subproblemas relativos a cada fibra do núcleo TT, em vez de cada núcleo TT como nos métodos tradicionais. Além disso, para evitar ajustes pesados de parâmetros, um modelo probabilístico que promove esparsidade é construído com base no priors gaussiano inverso generalizado (GIG), e um algoritmo de inferência é derivado sob a aproximação de campo médio. Experimentos com dados sintéticos e dados visuais do mundo real mostram a superioridade dos métodos propostos.