本研究提出了一种多线性数据完成和去噪的新方法，应用于3D和4D视频数据的完成和去噪，利用了最近提出的张量奇异值分解（t-SVD）方法，基于t-SVD，提出了多线性秩和相关张量核范数的概念来表征多线性数据的信息和结构复杂性。在此基础上，我们提出了一个张量核范数惩罚算法，用于从缺失项中完成视频，并且相对于已有方法，该算法表现出更优秀的性能。我们还考虑了从稀疏随机损坏中去噪3D视频数据的张量鲁棒主成分分析（PCA）问题，相对于矩阵鲁棒PCA的方法，我们的方法表现更优秀。

Jul, 2014

本文提出了一种基于张量分解的高效多维（可分离）卷积框架，为训练深度卷积神经网络提供了新的思路。该方法可以应用于脸部情感分析，将静态图像的分类结果应用于动态视频图像，取得了优秀的分类性能。

Jun, 2019

本文提出了一种新的方法来建模三维上下文表示，该方法不仅避免了空间压缩，而且还解决了高秩困难问题。通过引入张量典范-解析分解理论，设计了一种低秩到高秩的上下文重构框架，实现了比传统的非局部方法更少百倍计算成本的最新技术。

Aug, 2020

本文提出使用高阶张量表示和Transformer技术来解决Few-shot Object Detection中存在的平均池化信息损失和位置信息丢失的问题，并在PASCAL VOC，FSOD和COCO数据集上取得了最好的结果。

Oct, 2022

该研究基于张量数据的全局低秩性和局部平滑性，提出了一种新的正则化方法，用于张量数据恢复任务，可以在张量完成和张量鲁棒主成分分析任务中提供精确恢复保证，相较于其他方法具有更好的恢复准确性。

Feb, 2023

我们提出了一种多字典张量分解（MDTD）框架，利用编码字典中关于张量模式的先验结构信息来获得稀疏编码的张量因子。通过实验证明，MDTD相比无字典方法学习到更简洁的模型，且在重构质量、缺失值插补质量和张量秩的估计等方面均具有明显的改进，而且不会增加运行时间。

Sep, 2023

TENSORCODEC是一种用于一般张量的有损压缩算法，通过将神经张量列车分解与Tensor-Train分解相结合，将输入张量折叠成更高阶的张量，重新排序输入张量的模索以揭示可供NTTD利用的模式，实验结果表明TENSORCODEC在压缩效率、重建准确性和可扩展性方面具有优势。

Sep, 2023

本研究中，我们通过引入可分性假设的概念，将非负矩阵分解（NMF）扩展到多维数组（张量）的情况，创建了称为可分非负张量分解（NTF）的方法，并提供了替代的索引选择方法和随机索引选择过程。通过在合成和面部分析数据集上测试，结果证明了与可分NMF相比，可分NTF的效果。

Jan, 2024

我们提出了一种名为'Prolongation Upsampling Tensor Train (PuTT)'的新方法，通过延长学习到的张量列车表示来学习压缩、去噪和图像完整性能力，得到了比现有方法更好的性能。

Jun, 2024

本研究解决了视频隐式神经网络在缺乏语义信息下，无法支持后续任务的问题。通过提出一个灵活框架，将视频的时空特征解耦，利用学习到的每帧潜在特征与大型视觉模型对齐，从而实现压缩和视频检索的优异性能。最大的发现是，该方法不仅实现了高效压缩，还可用于视频插值等多种任务，开创了领域的新方向。

Aug, 2024