对比张量与矩阵分解，发现张量方法更保真地压缩脑影像数据。

Linear Algebraic Approaches to Neuroimaging Data Compression: A Comparative Analysis of Matrix and Tensor Decomposition Methods for High-Dimensional Medical Images

• 用张量分解保留多维结构关系，优于传统矩阵分解。
• 张量方法在高维脑影像上重建精度更高，感知相似度更强。
• 适合需保留时空结构的医学影像分析任务。

本文评估了张量分解（Tucker decomposition）和奇异值分解（SVD）在神经影像数据压缩中的表现。张量分解能有效保持多维数据间的复杂关系，在重建精度和感知相似性方面表现更优；而SVD虽在极端压缩下效率更高，但会牺牲数据保真度。实验结果表明，张量分解更适合需要保留结构与时间关系的医学影像应用。

原文摘要 · Abstract (English)

This paper evaluates Tucker decomposition and Singular Value Decomposition (SVD) for compressing neuroimaging data. Tucker decomposition preserves multi-dimensional relationships, achieving superior reconstruction fidelity and perceptual similarity. SVD excels in extreme compression but sacrifices fidelity. The results highlight Tucker decomposition's suitability for applications requiring the preservation of structural and temporal relationships.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。