arXiv cs.AI· Zhengyun Cheng, Guanwen Zhang, Wei Zhou·· 14 小时前AI 评分18
DiffTR：共享因子条件扩散统一低秩张量恢复
Shared-Factor-Conditioned Diffusion for Low-Rank Tensor Recovery
AI 导读
研究者提出无监督框架 DiffTR，用坐标索引的共享因子条件化紧凑评分网络，通过 score matching 联合学习因子与隐式张量表示，统一处理张量补全、去噪和高光谱超分辨率。该框架将表示学习与任务特定观测建模分离，支持标量和向量输出以覆盖表格张量、图像和视频。实验显示其在多种张量模态和恢复任务上取得有竞争力的重建质量，代码已公开。
正文 · AI 翻译
摘要：张量恢复涵盖异构的数据结构和观测过程，因此需要一种能够跨模态、跨任务自适应的表示。我们提出 DiffTR，一个无监督框架，通过坐标条件扩散将张量补全、去噪和高光谱超分辨率统一起来。由张量坐标索引的共享因子对紧凑的评分网络进行条件化，评分匹配从可用观测中联合学习这些因子和隐式张量表示。标量和向量值输出可分别适配单个条目和整条管纤维，从而为表格张量、图像和视频提供统一的公式化表达。该框架将表示学习与任务特定的观测建模分离：逆向扩散恢复缺失值；通过 Tweedie 公式、软阈值和可选的空间一致性进行估计，支持混合噪声去噪；测量引导采样将从低分辨率高光谱观测中学到的先验迁移到高分辨率重建，随后通过数据一致性和光谱子空间正则化进行采样后精化。这种分离使表示能够兼容不同的损坏模型，并允许在同一恢复框架内纳入任务特定的约束。在多种张量模态和恢复任务上的实验展示了具有竞争力的重建质量以及统一条件生成表示的灵活性。代码可在 此 https URL 获取
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.35368 [cs.CV] |
| （或 arXiv:2610.35368v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.35368 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhengyun Cheng [查看邮箱]
[v1]
2026年10月26日星期一 12:53:53 UTC（34,666 KB）
来源：arXiv cs.AI · arxiv.org