尽管利用张量低级别先验的方法是在高维数据处理中蓬勃发展并获得了令人满意的性能，但它们在动态磁共振（MR）图像重建中的应用受到限制。在本文中，我们集中于基于快速傅立叶变换（FFT）的张量奇异值分解（T-SVD），并且仅提供了FFT域中的确定且有限的张量低级别先验密切的数据和FFT域匹配。通过将FFT推广到转换的T-SVD的任意统一转换并提出了转换的张量核标准（TTNN），我们引入了一个基于TTNN的灵活模型，能够利用张量的低量量，在变换的域中的张量低级别。更大的转换空间并精心设计了基于乘数交替方向方法（ADMM）的迭代优化算法，该算法进一步将其进一步展开为基于模型的深层展开的重建网络，以学习转换后的张量低率之前（t $^2） $ LR-NET）。卷积神经网络（CNN）被合并到T $^2 $ LR-NET中，以从动态MR Image数据集中学习最匹配的转换。展开的重建网络还通过利用CNN提取的特征域中的低级别先验来提供有关低级先验利用率的新观点。两个心脏CINE MR数据集的实验结果表明，与基于最新优化和基于网络的最先进的基于网络的方法相比，提出的框架可以提供改进的恢复结果。

Dynamic magnetic resonance image reconstruction from incomplete k-space data has generated great research interest due to its capability to reduce scan time. Never-theless, the reconstruction problem is still challenging due to its ill-posed nature. Recently, diffusion models espe-cially score-based generative models have exhibited great potential in algorithm robustness and usage flexi-bility. Moreover, the unified framework through the variance exploding stochastic differential equation (VE-SDE) is proposed to enable new sampling methods and further extend the capabilities of score-based gener-ative models. Therefore, by taking advantage of the uni-fied framework, we proposed a k-space and image Du-al-Domain collaborative Universal Generative Model (DD-UGM) which combines the score-based prior with low-rank regularization penalty to reconstruct highly under-sampled measurements. More precisely, we extract prior components from both image and k-space domains via a universal generative model and adaptively handle these prior components for faster processing while maintaining good generation quality. Experimental comparisons demonstrated the noise reduction and detail preservation abilities of the proposed method. Much more than that, DD-UGM can reconstruct data of differ-ent frames by only training a single frame image, which reflects the flexibility of the proposed model.

由低级别正则化驱动的深度学习方法在动态磁共振（MR）成像中实现了有吸引力的性能。但是，这些方法中的大多数代表了手工制作的核标准的低级别先验，该规范无法通过固定的正则化参数准确地近似整个数据集的低排名先验。在本文中，我们提出了一种学习动态MR成像的低级方法。特别是，我们将部分可分离（PS）模型的半季度分裂方法（HQS）算法传输到网络中，其中低级别以可学习的空空间变换自适应地表征。心脏CINE数据集的实验表明，所提出的模型的表现优于最新的压缩传感（CS）方法和现有的深度学习方法，既有定量和质量上的深度学习方法。

Tensor robust principal component analysis (TRPCA) is a promising way for low-rank tensor recovery, which minimizes the convex surrogate of tensor rank by shrinking each tensor singular values equally. However, for real-world visual data, large singular values represent more signifiant information than small singular values. In this paper, we propose a nonconvex TRPCA (N-TRPCA) model based on the tensor adjustable logarithmic norm. Unlike TRPCA, our N-TRPCA can adaptively shrink small singular values more and shrink large singular values less. In addition, TRPCA assumes that the whole data tensor is of low rank. This assumption is hardly satisfied in practice for natural visual data, restricting the capability of TRPCA to recover the edges and texture details from noisy images and videos. To this end, we integrate nonlocal self-similarity into N-TRPCA, and further develop a nonconvex and nonlocal TRPCA (NN-TRPCA) model. Specifically, similar nonlocal patches are grouped as a tensor and then each group tensor is recovered by our N-TRPCA. Since the patches in one group are highly correlated, all group tensors have strong low-rank property, leading to an improvement of recovery performance. Experimental results demonstrate that the proposed NN-TRPCA outperforms some existing TRPCA methods in visual data recovery. The demo code is available at https://github.com/qguo2010/NN-TRPCA.

低级张力完成已广泛用于计算机视觉和机器学习。本文开发了一种新型多模态核心张量分解（MCTF）方法，与张量低秩测量和该措施的更好的非凸弛豫形式（NC-MCTF）。所提出的模型编码由Tucker和T-SVD提供的一般张量的低秩见解，因此预计将在多个方向上同时模拟光谱低秩率，并准确地恢复基于几个观察到的条目的内在低秩结构的数据。此外，我们研究了MCTF和NC-MCTF正则化最小化问题，并设计了一个有效的块连续上限最小化（BSUM）算法来解决它们。该高效的求解器可以将MCTF扩展到各种任务，例如张量完成。一系列实验，包括高光谱图像（HSI），视频和MRI完成，确认了所提出的方法的卓越性能。

张量稀疏建模是一种有希望的方法，在整个科学和工程学中，取得了巨大的成功。众所周知，实际应用中的各种数据通常由多种因素产生，因此使用张量表示包含多个因素内部结构的数据。但是，与矩阵情况不同，构建合理的稀疏度量张量是一项相对困难且非常重要的任务。因此，在本文中，我们提出了一种称为张量全功能度量（FFM）的新张量稀疏度度量。它可以同时描述张量的每个维度的特征信息以及两个维度之间的相关特征，并将塔克等级与张量管等级连接。这种测量方法可以更全面地描述张量的稀疏特征。在此基础上，我们建立了其非凸放松，并将FFM应用于低级张量完成（LRTC）和张量鲁棒的主成分分析（TRPCA）。提出了基于FFM的LRTC和TRPCA模型，并开发了两种有效的交替方向乘数法（ADMM）算法来求解所提出的模型。各种实际数值实验证实了超出最先进的方法的优势。

近年来，基于深度学习的平行成像（PI）取得了巨大进展，以加速磁共振成像（MRI）。然而，现有方法的性能和鲁棒性仍然可以是不受欢迎的。在这项工作中，我们建议通过柔性PI重建，创建的重量K-Space Genera-Tive模型（WKGM）来探索K空间域学习。具体而言，WKGM是一种通用的K空间域模型，在其中有效地纳入了K空间加权技术和高维空间增强设计，用于基于得分的Genererative模型训练，从而实现良好和强大的重建。此外，WKGM具有灵活性，因此可以与各种传统的K空间PI模型协同结合，从而产生基于学习的先验以产生高保真重建。在具有不同采样模式和交流电因子的数据集上进行实验性重新构建表明，WKGM可以通过先验良好的K-Space生成剂获得最新的重建结果。

最近，对深度学习进行了广泛的研究，以加速动态磁共振（MR）成像，并取得了令人鼓舞的进步。但是，如果没有完全采样的参考数据进行培训，当前方法可能在恢复细节或结构方面具有有限的能力。为了应对这一挑战，本文提出了一个自我监督的协作学习框架（SelfCollearn），以从无效的K-Space数据中进行准确的动态MR图像重建。拟议的框架配备了三个重要组成部分，即双网络协作学习，重新启动数据增强和专门设计的共同培训损失。该框架可以灵活地与数据驱动的网络和基于模型的迭代未滚动网络集成。我们的方法已在体内数据集上进行了评估，并将其与四种最新方法进行了比较。结果表明，我们的方法具有很强的能力，可以从无效的K空间数据捕获直接重建的基本和固有表示形式，因此可以实现高质量且快速的动态MR成像。

Although recent deep learning methods, especially generative models, have shown good performance in fast magnetic resonance imaging, there is still much room for improvement in high-dimensional generation. Considering that internal dimensions in score-based generative models have a critical impact on estimating the gradient of the data distribution, we present a new idea, low-rank tensor assisted k-space generative model (LR-KGM), for parallel imaging reconstruction. This means that we transform original prior information into high-dimensional prior information for learning. More specifically, the multi-channel data is constructed into a large Hankel matrix and the matrix is subsequently folded into tensor for prior learning. In the testing phase, the low-rank rotation strategy is utilized to impose low-rank constraints on tensor output of the generative network. Furthermore, we alternately use traditional generative iterations and low-rank high-dimensional tensor iterations for reconstruction. Experimental comparisons with the state-of-the-arts demonstrated that the proposed LR-KGM method achieved better performance.

Supervised Deep-Learning (DL)-based reconstruction algorithms have shown state-of-the-art results for highly-undersampled dynamic Magnetic Resonance Imaging (MRI) reconstruction. However, the requirement of excessive high-quality ground-truth data hinders their applications due to the generalization problem. Recently, Implicit Neural Representation (INR) has appeared as a powerful DL-based tool for solving the inverse problem by characterizing the attributes of a signal as a continuous function of corresponding coordinates in an unsupervised manner. In this work, we proposed an INR-based method to improve dynamic MRI reconstruction from highly undersampled k-space data, which only takes spatiotemporal coordinates as inputs. Specifically, the proposed INR represents the dynamic MRI images as an implicit function and encodes them into neural networks. The weights of the network are learned from sparsely-acquired (k, t)-space data itself only, without external training datasets or prior images. Benefiting from the strong implicit continuity regularization of INR together with explicit regularization for low-rankness and sparsity, our proposed method outperforms the compared scan-specific methods at various acceleration factors. E.g., experiments on retrospective cardiac cine datasets show an improvement of 5.5 ~ 7.1 dB in PSNR for extremely high accelerations (up to 41.6-fold). The high-quality and inner continuity of the images provided by INR has great potential to further improve the spatiotemporal resolution of dynamic MRI, without the need of any training data.

深度学习在加速磁共振成像（MRI）中表现出惊人的性能。最先进的深度学习重建采用强大的卷积神经网络，并且由于许多磁共振图像或其对应的k空间是2D的许多磁共振图像或其对应的k空间。在这项工作中，我们展示了一种探讨了1D卷积的新方法，使得深度网络更容易受到培训和广义。我们进一步将1D卷积集成到所提出的深网络中，命名为一维深度低级和稀疏网络（ODL），它展开了低级和稀疏重建模型的迭代过程。在体内膝盖和脑数据集中的广泛结果表明，所提出的ODLS非常适合培训受试者的情况，并提供比视觉和定量的最先进的方法改进的重建性能。此外，ODL还向不同的欠采样场景显示出良好的稳健性以及培训和测试数据之间的一些不匹配。总之，我们的工作表明，在快速MRI中，1D深度学习方案是内存高效且强大的。

Deep unfolding networks (DUNs) have proven to be a viable approach to compressive sensing (CS). In this work, we propose a DUN called low-rank CS network (LR-CSNet) for natural image CS. Real-world image patches are often well-represented by low-rank approximations. LR-CSNet exploits this property by adding a low-rank prior to the CS optimization task. We derive a corresponding iterative optimization procedure using variable splitting, which is then translated to a new DUN architecture. The architecture uses low-rank generation modules (LRGMs), which learn low-rank matrix factorizations, as well as gradient descent and proximal mappings (GDPMs), which are proposed to extract high-frequency features to refine image details. In addition, the deep features generated at each reconstruction stage in the DUN are transferred between stages to boost the performance. Our extensive experiments on three widely considered datasets demonstrate the promising performance of LR-CSNet compared to state-of-the-art methods in natural image CS.

磁共振成像是临床诊断的重要工具。但是，它遭受了漫长的收购时间。深度学习的利用，尤其是深层生成模型，在磁共振成像中提供了积极的加速和更好的重建。然而，学习数据分布作为先验知识并从有限数据中重建图像仍然具有挑战性。在这项工作中，我们提出了一种新颖的Hankel-K空间生成模型（HKGM），该模型可以从一个k-空间数据的训练集中生成样品。在先前的学习阶段，我们首先从k空间数据构建一个大的Hankel矩阵，然后从大型Hankel矩阵中提取多个结构化的K空间贴片，以捕获不同斑块之间的内部分布。从Hankel矩阵中提取斑块使生成模型可以从冗余和低级别的数据空间中学习。在迭代重建阶段，可以观察到所需的解决方案遵守学识渊博的先验知识。通过将其作为生成模型的输入来更新中间重建解决方案。然后，通过对测量数据对其Hankel矩阵和数据一致性组合施加低排名的惩罚来替代地进行操作。实验结果证实，单个K空间数据中斑块的内部统计数据具有足够的信息来学习强大的生成模型并提供最新的重建。

In this paper, we study the problem of a batch of linearly correlated image alignment, where the observed images are deformed by some unknown domain transformations, and corrupted by additive Gaussian noise and sparse noise simultaneously. By stacking these images as the frontal slices of a third-order tensor, we propose to utilize the tensor factorization method via transformed tensor-tensor product to explore the low-rankness of the underlying tensor, which is factorized into the product of two smaller tensors via transformed tensor-tensor product under any unitary transformation. The main advantage of transformed tensor-tensor product is that its computational complexity is lower compared with the existing literature based on transformed tensor nuclear norm. Moreover, the tensor $\ell_p$ $(0<p<1)$ norm is employed to characterize the sparsity of sparse noise and the tensor Frobenius norm is adopted to model additive Gaussian noise. A generalized Gauss-Newton algorithm is designed to solve the resulting model by linearizing the domain transformations and a proximal Gauss-Seidel algorithm is developed to solve the corresponding subproblem. Furthermore, the convergence of the proximal Gauss-Seidel algorithm is established, whose convergence rate is also analyzed based on the Kurdyka-$\L$ojasiewicz property. Extensive numerical experiments on real-world image datasets are carried out to demonstrate the superior performance of the proposed method as compared to several state-of-the-art methods in both accuracy and computational time.

从X射线冠状动脉造影（XCA）图像序列中提取对比度的血管对于直觉诊断和治疗具有重要的临床意义。在这项研究中，XCA图像序列O被认为是三维张量输入，血管层H是稀疏张量，而背景层B是低级别张量。使用张量核标准（TNN）最小化，提出了一种基于张量的强稳定主成分分析（TRPCA）的新型血管层提取方法。此外，考虑了血管的不规则运动和周围无关组织的动态干扰，引入了总变化（TV）正规化时空约束，以分离动态背景E。 - 阶段区域生长（TSRG）方法用于血管增强和分割。全局阈值分割用作获得主分支的预处理，并使用ra样特征（RLF）滤波器来增强和连接破碎的小段，最终的容器掩模是通过结合两个中间结果来构建的。我们评估了TV-TRPCA算法的前景提取的可见性以及TSRG算法在真实临床XCA图像序列和第三方数据库上的血管分割的准确性。定性和定量结果都验证了所提出的方法比现有的最新方法的优越性。

低级别在高光谱图像（HSI）降级任务中很重要。根据张量的奇异值分解定义的张量核标准（TNN）是描述HSI低级别的最新方法。但是，TNN忽略了HSI在解决deno的任务时的某些身体含义，从而导致了次优的降级性能。在本文中，我们提出了用于HSI降解任务的多模式和频率加权张量核定常（MFWTNN）和非凸MFWTNN。首先，我们研究了频率切片的物理含义，并重新考虑其权重以提高TNN的低级别表示能力。其次，我们考虑两个空间维度和HSI的光谱维度之间的相关性，并将上述改进与TNN相结合以提出MFWTNN。第三，我们使用非凸功能来近似频率张量的秩函数，并提出非MFWTNN以更好地放松MFWTNN。此外，我们自适应地选择更大的权重，用于切片，主要包含噪声信息和较小的重量，用于包含配置文件信息的切片。最后，我们开发了基于乘数（ADMM）算法的有效交替方向方法来求解所提出的模型，并在模拟和真实的HSI数据集中证实了我们的模型的有效性。

磁共振（MR）图像重建来自高度缺点$ K $ -space数据在加速MR成像（MRI）技术中至关重要。近年来，基于深度学习的方法在这项任务中表现出很大的潜力。本文提出了一种学习的MR图像重建半二次分割算法，并在展开的深度学习网络架构中实现算法。我们比较我们提出的方法对针对DC-CNN和LPDNET的公共心先生数据集的性能，我们的方法在定量结果和定性结果中表现出其他方法，具有更少的模型参数和更快的重建速度。最后，我们扩大了我们的模型，实现了卓越的重建质量，并且改善为1.76美元$ 276 $ 274美元的LPDNET以5美元\倍率为5美元的峰值信噪比。我们的方法的代码在https://github.com/hellopipu/hqs-net上公开使用。

低等级张量完成（LRTC）问题引起了计算机视觉和信号处理的极大关注。如何获得高质量的图像恢复效果仍然是目前要解决的紧急任务。本文提出了一种新的张量$ l_ {2,1} $最小化模型（TLNM），该模型（TLNM）集成了总和核标准（SNN）方法，与经典的张量核定常（TNN）基于张量的张量完成方法不同，与$ L_ { 2,1} $ norm和卡塔尔里亚尔分解用于解决LRTC问题。为了提高图像的局部先验信息的利用率，引入了总变化（TV）正则化项，从而导致一类新的Tensor $ L_ {2,1} $ NORM Minimization，总变量模型（TLNMTV）。两个提出的模型都是凸，因此具有全局最佳解决方案。此外，我们采用交替的方向乘数法（ADMM）来获得每个变量的封闭形式解，从而确保算法的可行性。数值实验表明，这两种提出的算法是收敛性的，比较优于方法。特别是，当高光谱图像的采样率为2.5 \％时，我们的方法显着优于对比方法。

最近，未经训练的神经网络（UNNS）显示了在随机采样轨迹上对MR图像重建的令人满意的性能，而无需使用其他全面采样训练数据。但是，现有的基于UNN的方法并未完全使用MR图像物理先验，导致某些常见情况（例如部分傅立叶，常规采样等）的性能差，并且缺乏重建准确性的理论保证。为了弥合这一差距，我们使用特殊设计的UNN提出了一种保障的K空间插值方法，该方法使用特殊设计的UNN，该方法由MR图像的三个物理先验（或K空间数据）驱动，包括稀疏，线圈灵敏度平稳性和相位平滑度。我们还证明，所提出的方法保证了插值K空间数据准确性的紧密界限。最后，消融实验表明，所提出的方法比现有传统方法更准确地表征了MR图像的物理先验。此外，在一系列常用的采样轨迹下，实验还表明，所提出的方法始终优于传统的平行成像方法和现有的UNN，甚至超过了最先进的监督训练的K空间深度学习方法案例。

红外小目标检测是红外系统中的重要基本任务。因此，已经提出了许多红外小目标检测方法，其中低级模型已被用作强大的工具。然而，基于低级别的方法为不同的奇异值分配相同的权重，这将导致背景估计不准确。考虑到不同的奇异值具有不同的重要性，并且应判别处理，本文提出了一种用于红外小目标检测的非凸张力低秩近似（NTLA）方法。在我们的方法中，NTLA正则化将不同的权重自适应分配给不同的奇异值以进行准确背景估计。基于所提出的NTLA，我们提出了不对称的空间 - 时间总变化（ASTTV）正则化，以实现复杂场景中的更准确的背景估计。与传统的总变化方法相比，ASTTV利用不同的平滑度强度进行空间和时间正则化。我们设计了一种有效的算法来查找我们方法的最佳解决方案。与一些最先进的方法相比，所提出的方法达到各种评估指标的改进。各种复杂场景的广泛实验结果表明，我们的方法具有强大的鲁棒性和低误报率。代码可在https://github.com/liuting20a/asttv-ntla获得。