将基于凸优化的低秩矩阵恢复（LRMR）理论用于背景建模，当背景不稳定时，这种方法提取运动目标的效果不佳。由于矩阵的数据表示形式破坏了视频在时间和空间上的原始结构，采用张量表征视频的高维结构特性，提出了一种基于迭代张量高阶奇异值分解（HOSVD）的运动目标提取方法。用高阶奇异值分解代替LRMR中的矩阵奇异值分解（SVD），利用增广拉格朗日乘子法重建出三维视频张量的背景部分和运动目标部分，并进一步对运动目标部分进行形态学开闭运算。实验结果证明，相比常用方法，该方法错分率更低，能更准确完整地提取运动目标。

这项工作涉及通过核范数最小化从其低维投影中恢复低秩矩阵。 % 最小化 ||X||*（Z 的核范数） % 受制于 A(X) = Y 我们同样使用分裂 Bregman 算法。 % 最小化 (lambda1)||W||* + 1/2 || A（X）-y || _2 ^ 2 + eta / 2 || WX-B1 ||_2^2 %W 是代理变量，B1 是 Bregman 变量Bregman技术的使用提高了我们算法的收敛速度，并给出了更高的成功率。 此外，即使对于少量线性测量可用的情况，重建的准确性也要好得多。

自适应阈值低秩近似（ALRA） 介绍 ALRA是一种在单细胞RNA测序数据中插入缺失值的方法，在提供的预印本“使用低秩近似法对scRNA-seq数据进行零保存插值”中进行。 给定一个scRNA-seq表达矩阵，ALRA首先使用随机SVD计算其rank-k近似值。 接下来，每一行（基因）都以该基因最负值的大小为阈值。 最后，矩阵被重新缩放。 该存储库包含用于在R中运行ALRA的代码。ALRA的唯一先决条件是安装随机SVD软件包RSVD，可以将其安装为install.packages('rsvd') 。 这些功能现在为已安装用户提供了一个标志use.mkl ，它可以大大加快基于默认rpca的版本的速度。 请注意，rpca-mkl仍在开发中，并且不在CRAN上，因此它不是必需的软件包，但是如果用户已经安装了rpca-mkl，则可以通过将该标志设置为True来使用它。 用法 请确保将矩阵为行，

多视图聚类旨在综合利用视图数据中的一致信息和互补信息实现对数据的划分, 但各视图表征数据的能力参差不齐, 甚至有的视图可能含有大量的冗余和噪声信息, 不仅不能带来多样的信息, 反而影响聚类性能. 本文提出了自适应加权的低秩约束的多视图子空间聚类算法, 通过自适应学习的方式给各视图赋予不同权重来构造各视图共享的潜在一致低秩矩阵. 并且提出了有效的可迭代优化算法对模型进行优化. 在5个公开数据集上的实验结果表明所提算法的有效性.

高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验，以验证所提出的基于LRMR的HSI恢复方法的性能。

结合低秩矩阵分解的带状噪声模型用于高光谱图像去噪

matlab说话代码使用低秩近似进行快速图像去模糊 小组项目CSE / ECE 478指南，季风2018 步骤1：提交项目偏好 在您的团队中分配一个项目协调员，并请他/她填写以下表格。 注意：仅输入项目ID作为首选项，而不输入项目标题： 注意：确保为该项目提交一个表单。 例如，如果一个项目有3个团队成员，请确保只有一个项目成员提交表格-请勿3次提交表格！ 否则将延迟最终项目列表的发布。 如果您打算进行上面未列出的项目，则仍需要使用偏好填写表格。 这样，如果您提出的项目不可行，那么您将有一个备份。 在这种情况下，请确保填写您建议的项目的标题。 团队的项目分配将按照先到先得的原则进行（即，如果两个团队具有相同的优先级，则平局决胜将基于提交的时间戳记）。 在不太可能的时间戳相同的情况下，平局决胜将是随机选择。 如果所有偏好都被占用（由于上述标准），则将从没有任何组选择的项目列表中随机分配一个项目。 如果您对项目及其范围有任何疑问，可以与助教/讲师讨论。 提交后，任何情况下都不能更改项目/首选项。 与您的队友讨论并仔细考虑，然后再提交表格。 项目清单：9月20日，下午5.30 提交表格的截止日

书名：若干低秩子空间恢复模型的闭解及其应用 作者：林宙辰（北大）

最近，提出了一种贪婪算法，称为最小秩近似原子分解（ADMiRA）。 当矩阵的秩已知时，它解决了低秩矩阵近似问题。 然而，在实际应用中，矩阵的等级通常是未知的。 本文基于最小秩逼近的原子分解，提出了一种用于低秩矩阵完成的秩自适应原子分解算法（RAADLRMC）。 RAADLRMC的优点在于，当未给出矩阵的参数rank-r时，它可以工作。 此外，自适应地减小迭代的步长，以提高效率和准确性。 如我们的实验所示，我们的算法是鲁棒的，并且矩阵的秩可以被准确地预测。

IALM处理低秩分解的代码