交通方向：
推荐人：胡梦言
1、Li Y , Yu R , Shahabi C ,et al.Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting[J]. 2017.DOI:10.48550/arXiv.1707.01926.
推荐理由：引入图卷积操作，同时利用了时间特征和空间特征，是许多论文常用的对比方法。
2、Yu L , Du B , Hu X ,et al.Deep spatio-temporal graph convolutional network for traffic accident prediction[J].Neurocomputing, 2021, 423:135-147.
推荐理由：其中利用了张量分解的内容，同时提出了一种动态图构建的方式，在时间特征提取方面使用了现在常用的TCN方式
3、[1] Yu B , Yin H , Zhu Z .Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting[J]. 2017.DOI:10.24963/ijcai.2018/505.
推荐理由：TCN+图卷积方法，目前交通预测的主流方式，在交通大模型中也常用作对比方法
4、Guo S, Lin Y, Feng N, et al. Attention based spatial-temporal graph convolutional networks for traffic flow forecasting[C]//Proceedings of the AAAI conference on artificial intelligence. 2019, 33(01): 922-929.
推荐理由：在交通预测工作中引入了注意力机制，值得参考
5、Li Z, Xia L, Tang J, et al. Urbangpt: Spatio-temporal large language models[C]//Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2024: 5351-5362.
推荐理由：交通大模型，思路值得借鉴，阐述了大模型要解决的问题，同时提供了源码。
推荐人：张海龙
6、Z. Wu, S. Pan, G. Long, J. Jiang, and C. Zhang, “Graph WaveNet for Deep Spatial-Temporal Graph Modeling,” in Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence, Macao, China, Aug. 2019.
推荐理由：第一次将自适应的邻接矩阵引入交通流量预测领域，以简洁的形式取得了不错的实验效果。
7、L. Han, B. Du, L. Sun, Y. Fu, Y. Lv, and H. Xiong, “Dynamic and Multi-faceted Spatio-temporal Deep Learning for Traffic Speed Forecasting,” in Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining, Virtual Event Singapore, Aug. 2021.
推荐理由：为每一个时间步单独构造一个邻接矩阵，但通过引入Tucker分解极大的降低了时间复杂度。同时通过主要特征与辅助特征并行的方式实现特征融合，提供了特征融合的新视角。
8、Shaygan M, Meese C, Li W, et al. Traffic prediction using artificial intelligence: Review of recent advances and emerging opportunities[J]. Transportation research part C: emerging technologies, 2022.
推荐理由：该综述详尽的阐述了交通预测领域的数据集以及预测任务。同时准确阐述了交通流量预测方向的前沿论文，并对为了的挑战做出了总结。
9、Lai Z, Zhang D, Li H, et al. Lightcts: A lightweight framework for correlated time series forecasting[J]. Proceedings of the ACM on Management of Data, 2023
推荐理由：对传统TCN进行改进，通过随机分组的方法提升了运行效率并通过SE模块进行特征增强，在保持精度的前提下极大的提高了运行效率。
推荐方向：
推荐人：管清倩
1.Differential Private Knowledge Transfer for Privacy-Preserving Cross Domain Recommendation (PriCDR, WWW 2022)
推荐理由：这篇文章聚焦于如何在保护用户隐私的前提下，将源域评分数据上传以辅助目标域推荐任务。面临的挑战是要使目标域无法通过上传的评分矩阵推断出原始评分信息，同时需要保留用户兴趣相似性的结构，并处理源域与目标域之间的异质性。作者创新性地使用了 Johnson Lindenstrauss Transform (JLT)，通过加密方式对源域评分矩阵进行加密和稠密化处理。此外，模型通过编码器-解码器对源域与目标域的评分矩阵进行重构，并对齐用户嵌入，从而实现了隐私保护与跨域推荐质量的兼顾。是隐私保护＋跨域推荐的经典论文
2.FedCDR: Federated Cross-Domain Recommendation for Privacy-Preserving Rating Prediction (ICKM 2022)
推荐理由：该研究旨在设计一个个性化的跨域推荐系统，解决用户冷启动问题，同时考虑数据隐私与领域异构性。面对单用户客户端数据量小的问题，文章提出为每个领域设计一个 转换模块 来实现知识转移，避免仅依赖全局共享模型带来的适配性不足。此外，研究深入分析了联邦学习中上传梯度可能导致参数泄露的风险，为隐私保护提供了有效对策。通过领域间的知识转移与个性化推荐结合，该研究成功实现了在联邦学习框架下跨域推荐的隐私保护与个性化兼顾。
3.WinWin: A Privacy-Preserving Federated Framework for Dual-Target Cross-Domain Recommendation (P2FCDR, AAAI 2023)
推荐理由：该文章解决了实际应用场景中单向知识迁移和单客户端场景不合理的问题，提出了一种能够实现双向收益的隐私保护跨域推荐框架。通过使用正交矩阵在领域间实现映射，并结合局部差分隐私（LDP）对数据进行加密，模型能够从领域中提取出对其他领域有用的信息。此外，设计的门控选择机制能够灵活选择领域内与领域间的转移特征。这一框架更贴合实际的跨域推荐场景，为双向跨域协作提供了创新的解决方案。
4.Federated Probabilistic Preference Distribution Modelling with Compactness Co-Clustering for Privacy-Preserving Multi-Domain Recommendation (FPPDM, IJCAI 2023)
推荐理由：本研究从用户偏好分布的角度出发，提出了一种隐私保护的多域推荐方法。文章发现现有的跨域推荐多依赖用户物品交互嵌入，忽略了用户物品偏好的分布信息。为此，作者在本地模型中利用均值和方差捕捉用户偏好的分布特性，同时通过服务器聚合全局的均值与方差，结合正则化约束缩短本地与全局用户分布的距离。这种方法既保护了用户隐私，又避免了对用户物品交互数据的直接依赖，拓展了跨域推荐的建模视角。
5.Enhancing Dual-Target Cross-Domain Recommendation with Federated Privacy-Preserving Learning (P2DTR, IJCAI 2024)
推荐理由：文章针对双目标跨域推荐场景，提出了一种隐私保护的高效推荐方法。面临的核心挑战是如何从领域中提取可迁移知识，并利用这些知识提升推荐效果。研究通过 PSI（私有集合交集） 技术找到领域间的重叠用户，从中提取共享的原型用户信息，并通过CDS（共享知识分发） 将聚合后的共享用户知识返回各领域。该方法有效实现了领域间知识共享，同时保留了领域个性化特征，是双目标隐私保护推荐的一个最新的工作。
6.Privacy-Preserving Cross-Domain Recommendation with Federated Graph Learning (PPCDR, TOIS 2024)
推荐理由：本研究提出了一种基于联邦图学习的隐私保护跨域推荐模型，成功平衡了推荐质量与隐私保护需求。面对不同领域用户物品交互异质性的挑战，文章通过领域内部的 GNN（图神经网络） 捕获高阶关系。同时，为每个用户设立 共享全局用户，通过全局用户与局部用户的双向偏好转移来高效利用其他领域的知识。该方法结合联邦学习框架，为隐私保护和跨域推荐质量提升提供了一个全新的解决方案。
推荐人：刘晶文
7.Chen C, Wu H, Su J, et al. Differential private knowledge transfer for privacy-preserving cross-domain recommendation[C]//Proceedings of the ACM Web Conference 2022. 2022: 1455-1465.
推荐理由：论文发表于WWW2022（CCF-A），是一篇经典的隐私保护跨域推荐的论文，常作为隐私保护和联邦跨域推荐的对比方法。场景为用户完全重叠的跨域推荐，分别就三个问题设计了解决方法：针对域间隐私问题，本文对源域评分进行隐私保护处理。SVD提取矩阵奇异值，对奇异值添加噪声扰动；然后使用JLT和SJLT将矩阵从高维映射到低维空间。针对领域数据异构性问题（主要指不同域评分矩阵的大小和维度可能不同），对于源域数据使用评分重建模块，使用深度自动编码器对发布的源域数据进行建模，学习用户嵌入，解码器重建用户在源域评分并计算损失，使模型学习用户与项目之间的交互关系；对于目标域数据使用评分回归模块，通过深度神经网络对目标域评分矩阵进行建模，学习用户和项目嵌入。针对领域数据稀疏问题，设计用户嵌入对齐模块，以便将源域知识迁移到目标域中，增强目标域的用户表示。
8.Liao X, Liu W, Zheng X, et al. Ppgencdr: A stable and robust framework for privacy-preserving cross-domain recommendation[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2023, 37(4): 4453-4461.
推荐理由：论文发表于AAAI2023（CCF-A）。本论文使用的解决隐私保护的跨域推荐问题常用的方法—GAN，本文场景为用户完全重叠，主要思想是通过GAN来在隐私保护的前提下对源域私有数据（即用户ratings）的分布进行建模，并将隐私保护后的源域数据做为知识迁移到目标域，以提高目标域的推荐表现。在论文中，针对引入GAN生成伪源域数据的方法而产生的三个主要问题，进行了讨论和实验验证。论文整体思路明确，且问题和方法描述清晰。
9.Wang L, Wang S, Zhang Q, et al. Federated User Preference Modeling for Privacy-Preserving Cross-Domain Recommendation[J]. arXiv preprint arXiv:2408.14689, 2024.
推荐理由：本论文非常清晰的描述了怎样使用联邦方法解决跨域推荐的隐私保护问题，并且从多源数据的角度出发，通过引入用户评论和挖掘潜在项目的作用，提升用户建模的效果。论文还使用了对比学习的方法将评论信息融入到用户表示中，以及通过对比学习全局用户表示和领域用户表示，实现领域间的知识迁移。论文代码结构清晰，和论文内容相对应。
10.Zhang H, Zheng D, Yang X, et al. FedDCSR: Federated cross-domain sequential recommendation via disentangled representation learning[C]//Proceedings of the 2024 SIAM International Conference on Data Mining (SDM). Society for Industrial and Applied Mathematics, 2024: 535-543.
推荐理由：本论文主要针对跨域推荐中的领域数据异构性问题，场景联邦跨域序列推荐。论文提出了一种基于解耦表征学习的方法，基于互信息的变分上下界理论，设计了一个域内-域间序列表征解耦模块将本地序列特征解耦为领域共享和领域特定的部分。此外，还设计了一个对比信息最大化模块来学习更丰富的领域特定特征。解耦表征学习是经典的解决数据异构问题的方法，本论文思路清晰，代码详细，且有助于理解机器学习中的基础信息理论。
11.Zhang H, Zheng D, Zhong L, et al. FedHCDR: Federated Cross-Domain Recommendation with Hypergraph Signal Decoupling[C]//Joint European Conference on Machine Learning and Knowledge Discovery in Databases. Cham: Springer Nature Switzerland, 2024: 350-366.
推荐理由：与上一篇论文相同，本论文也是使用特征解耦的思想解决数据异构性问题。论文针对联邦跨域推荐场景，提出了一种基于超图信号分离的新方法，具体而言，本研究基于图信号处理理论，分别设计了一个高通/低通超图滤波器来分离出领域特定和领域共享的用户表征，并采用本地-全局双向迁移算法对其进行训练。此外，本研究还设计了一个超图对比学习模块来进一步捕捉跨域不变的用户关系信息。可以将该论文与FedDCSR方法对比起来学习。
推荐人：刘尚坤
12.Dietmar Jannach, Markus Zanker. A Survey on Intent-aware Recommender Systems[J], ACM Transactions on Recommender Systems, 2024
推荐理由：这篇综述论文《A Survey on Intent-aware Recommender Systems》深入探讨了意图感知推荐系统（Intent-aware Recommender Systems, IARS）的设计理念和实现方法，强调了在个性化推荐服务中捕捉和响应用户即时意图的重要性。论文全面回顾了IARS的多种技术方法，包括通过多样化技术、意图预测模型和潜在意图建模来增强推荐的相关性和准确性。作者分析了IARS在电子商务、媒体流媒体等不同应用领域的应用，并评估了当前的评估实践，指出了在线评估中用户参与度的不足。此外，论文提出了未来研究方向，特别强调了利用额外的交互信号和上下文信息来进一步提升推荐系统效能的潜力。
13.Yongjun C, Zhiwei L, Jia L, Julian M, Caiming X, et al. Intent Contrastive Learning for Sequential Recommendation[J], Proceedings of the ACM Web Conference 2022
推荐理由：这篇论文《Intent Contrastive Learning for Sequential Recommendation》由Yongjun Chen, Zhiwei Liu, Jia Li, Julian McAuley和Caiming Xiong撰写，提出了一种新的学习范式——意图对比学习（ICL），用于提升序列推荐系统的性能。ICL通过引入一个潜在的意图变量，从用户行为序列中学习用户的意图分布，并利用这些学习到的意图通过对比自监督学习增强SR模型。具体来说，ICL通过聚类方法学习潜在变量的分布函数，并在期望最大化框架内交替优化意图表示和SR模型，以提高推荐的准确性和鲁棒性。论文通过在四个真实世界数据集上的实验验证了所提出学习范式的优势，结果表明ICL在处理数据稀疏性和噪声交互问题时，相比现有方法有显著的性能提升和鲁棒性增强。此外，论文还探讨了ICL在不同用户群体中的性能，以及在面对噪声数据时的鲁棒性，进一步证明了ICL在实际应用中的潜力和价值。
14.Peiyan Z, Jiayan G, Chaozhuo L, Yueqi X, Jaeboum K, Yan Z, Xing X, Haohan W, Sunghun K, et al. Efficiently Leveraging Multi-level User Intent for Session-based Recommendation Via Atten-Mixer Network[J], CoRR, 2022
推荐理由：这篇论文《Efficiently Leveraging Multi-level User Intent for Session-based Recommendation via Atten-Mixer Network》由Peiyan Zhang等人撰写，提出了一个新颖的推荐系统模型Atten-Mixer，旨在提高基于会话的推荐系统的性能。该模型通过引入多级用户意图的概念，利用图神经网络来捕捉项目间的复杂转换关系。然而，作者通过实证分析发现，现有的基于图神经网络的会话推荐模型过于复杂，且性能提升有限。因此，他们提出了一种简化的模型，该模型去除了一些复杂的GNN传播部分，转而强调读出模块的作用，以实现对项目转换的多级推理。Atten-Mixer模型通过结合概念视图和实例视图的读出操作，实现对项目转换的多级推理。为了有效地列举所有可能的高级概念，该模型进一步整合了与会话推荐相关的归纳偏差，如局部不变性和固有优先级。这些归纳偏差显著减少了搜索空间，确保了效率和推荐准确性之间的良好平衡。通过在三个基准数据集上的实验，作者证明了Atten-Mixer模型的有效性和效率。此外，该模型已经在大规模的电子商务在线服务中部署，并在实时流量的在线实验中显著提高了顶层业务指标。
15.Jiayan G, Yaming Y, Xiangchen S, Yuan Z, Yujing W, Jing B, Yan Z, et al. Learning Multi-granularity Consecutive User Intent Unit for Session-based Recommendation[C], Web Search and Data Mining, 2022: 343-352.
推荐理由：这篇论文《Learning Multi-granularity Consecutive User Intent Unit for Session-based Recommendation》由Jiayan Guo等人撰写，提出了一种新的会话式推荐系统模型，旨在通过捕捉用户在会话中的连续意图来提高推荐准确性。该模型的核心是Multi-granularity Intent Heterogeneous Session Graph (MIHSG)，它通过考虑不同粒度的用户意图单元之间的交互，从而缓解了长期依赖性问题。此外，论文还提出了Intent Fusion Ranking (IFR) 模块，用于整合来自不同粒度用户意图的推荐结果，以生成更准确和全面的会话表示，最终提升推荐性能。通过在五个真实世界数据集上的广泛实验，论文证明了所提方法的有效性，与当前最先进的方法相比，在HR@20和MRR@20指标上分别获得了高达10.21%和15.53%的性能提升。16.Minjin C, Hye-Young K, Hyunsouk C, Jongwuk L, et al. Multi-intent-aware Session-based Recommendation[J], Computing Research Repository, 2024: 2532-2536.
推荐理由：这篇论文介绍了一种新型的会话式推荐模型（Session-based Recommendation, SBR），名为MiaSRec（Multi-intent-aware Session-based Recommendation Model）。该模型旨在通过捕捉用户在单个会话中的多样化意图来提高推荐系统的准确性，特别是在处理较长会话时。MiaSRec通过使用频率嵌入向量来强调会话中重复项目的频率，并通过动态选择重要的会话表示来代表不同的用户意图。实验结果表明，MiaSRec在六个基准数据集上的表现超过了现有的最先进SBR模型，特别是在平均会话长度较长的数据集上，实现了高达6.27%和24.56%的MRR@20和Recall@20的提升。
图像方向：
推荐人：万宇洁
1.Liu, P. Musialski, P. Wonka and J. Ye, "Tensor Completion for Estimating Missing Values in Visual Data," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, no. 1, pp. 208-220, Jan. 2013, doi: 10.1109/TPAMI.2012.39.
推荐理由：这篇论文在张量补全领域具有里程碑式的意义，是系统提出张量核范数用于张量补全的研究工作之一。文章提出了将矩阵核范数拓展到张量的理论方法，并针对视觉数据的特点设计了有效的张量补全算法。为后续大量关于张量核范数改进（如加权核范数、截断核范数等）的研究提供了基础。
2.Q. Zhao, L. Zhang and A. Cichocki, "Bayesian CP Factorization of Incomplete Tensors with Automatic Rank Determination," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 37, no. 9, pp. 1751-1763, 1 Sept. 2015, doi: 10.1109/TPAMI.2015.2392756.
推荐理由：论文使用CP分解作为核心框架，CP分解是张量分解的基础方法之一，能够帮助新手快速理解张量分解的基本原理和多模数据的结构表示。通过引入贝叶斯建模和变分推断，新手可以在掌握基本分解的同时初步接触概率建模和稀疏学习的思想。
3.Li, X., Ye, Y., & Xu, X. (2017). Low-Rank Tensor Completion with Total Variation for Visual Data Inpainting. Proceedings of the AAAI Conference on Artificial Intelligence, 31(1). Low-Rank Tensor Completion with Total Variation for Visual Data Inpainting| Proceedings of the AAAI Conference on Artificial Intelligence
推荐理由：论文结合了总变分（Total Variation）和低秩张量补全，在捕获全局结构信息的基础上考虑了局部平滑信息，适用于图像修复中的平滑区域和细节区域的平衡处理。方法融合了低秩先验和梯度稀疏性，有助于理解如何结合多种先验知识来改进张量补全性能。
4.W. Qin, H. Wang, F. Zhang, J. Wang, X. Luo and T. Huang, "Low-Rank High-Order Tensor Completion With Applications in Visual Data," in IEEE Transactions on Image Processing, vol. 31, pp. 2433-2448, 2022, doi: 10.1109/TIP.2022.3155949.
推荐理由：论文聚焦于高阶张量数据的低秩补全问题，研究的是比传统3阶张量更高阶的场景（如高光谱数据和视频），更贴近多维数据的实际应用需求。提出了结合多模式的低秩假设和全局结构信息的方法，展现了对高阶张量数据的强大适应能力，是理解高阶张量补全的关键文献。
5.M. Wang et al., "Tensor Decompositions for Hyperspectral Data Processing in Remote Sensing: A comprehensive review," in IEEE Geoscience and Remote Sensing Magazine, vol. 11, no. 1, pp. 26-72, March 2023, doi: 10.1109/MGRS.2022.3227063.
推荐理由：全面概述了张量分解，特别是高光谱（HS）遥感（RS）图像数据处理中的五个主题：HS RS图像恢复、压缩感知、异常检测、超分辨率和光谱分解。对于每个主题，通过对现有方法的关键描述和对实验结果的代表性展示，详细阐述了HS RS张量分解模型的重要发展历程。
推荐人：冯兴钊
6. Xu, Y., Hao, R., Yin, W., & Su, Z. (2013). Parallel matrix factorization for low-rank tensor completion. arxiv preprint arxiv:1312.1254.
推荐理由：论文提出了一种通过对底层张量的全模矩阵化同时执行低秩矩阵分解来恢复低秩张量的新模型Tmac。采用交替最小化算法求解该模型，并在不知道确切秩时采用两种自适应秩调整策略，有效减少了计算复杂度。数值实验证明，算法可以可靠地恢复各种低秩张量。
7. Oseledets, I. V. (2011). Tensor-train decomposition. SIAM Journal on Scientific Computing, 33(5), 2295-2317.
推荐理由：论文提出了张量链（Tensor-Train, TT）分解，是处理高维数据的一种有效方法。TT分解不仅避免了传统张量分解中的“维数诅咒”，而且提供了一种稳定且计算效率高的张量表示形式，它通过低秩近似辅助展开矩阵实现，开创了张量网络的先河。论文还展示了如何将TT分解应用于实际问题。
8. Li, X. T., Zhao, X. L., Jiang, T. X., Zheng, Y. B., Ji, T. Y., & Huang, T. Z. (2019). Low-rank tensor completion via combined non-local self-similarity and low-rank regularization. Neurocomputing, 367, 1-12.
推荐理由：论文针对Tmac仅考虑全局相关性而忽略了非局部自相似性的问题，提出了一种结合非局部自相似性和全局相关性的补全模型。一方面，采用Tmac来保证全局低秩，另一方面，通过插入一种即插即用（PnP）的非局部去噪器——块匹配三维滤波（BM3D）来挖掘非局部自相似性。
9. Ding, M., Huang, T. Z., Ji, T. Y., Zhao, X. L., & Yang, J. H. (2019). Low-rank tensor completion using matrix factorization based on tensor train rank and total variation. Journal of Scientific Computing, 81, 941-964.
推荐理由：论文针对基于张量链的并行矩阵分解张量补全方法（TMac-TT）中通过ket增强将低阶张量转换为高阶张量会产生严重的块伪影的问题，建立了一个基于TT分解和总变分的低秩矩阵分解的优化模型以减轻块伪影，结合全局相关性和局部平滑性有效地恢复图像。
10. Zhao, X. L., Yang, J. H., Ma, T. H., Jiang, T. X., Ng, M. K., & Huang, T. Z. (2021). Tensor completion via complementary global, local, and nonlocal priors. IEEE Transactions on Image Processing, 31, 984-999.
推荐理由：论文提出了一种新的张量补全框架，该框架可以同时利用全局-局部-非局部先验，这些先验有机地相互受益。在该框架中，采用张量链秩来表征全局相关性；同时，采用两个即插即用去噪器，包括卷积神经网络去噪器和BM3D去噪器，分别利用局部细节和非局部自相似性。
推荐人：林少涵
11.V. Saragadam, R. Balestriero, A. Veeraraghavan and R. G. Baraniuk, "DeepTensor: Low-Rank Tensor Decomposition With Deep Network Priors," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 46, no. 12, pp. 10337-10348, Dec. 2024, doi: 10.1109/TPAMI.2024.3450575.
推荐理由：将深度图像先验（Deep Image Prior, DIP）与张量低秩分解相结合，开创性地将神经网络引入张量分解方法中，利用神经网络的结构特性，通过网络本身的设计自动捕捉图像的低秩特性，克服了传统张量分解方法在复杂场景中的局限性。
12.K. Wei, Y. Fu and H. Huang, "3-D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising," in IEEE Transactions on Neural Networks and Learning Systems, vol. 32, no. 1, pp. 363-375, Jan. 2021, doi: 10.1109/TNNLS.2020.2978756.
推荐理由：近年来深度学习用于高光谱图像去噪领域的经典论文，提出了3D准循环神经网络（3D Quasi-Recurrent Neural Network, 3D QRNN），为高光谱图像去噪任务量身定制网络结构，被大量后续研究作为实验结果的比较基准。
13.O. Sidorov and J. Y. Hardeberg, "Deep Hyperspectral Prior: Single-Image Denoising, Inpainting, Super-Resolution," 2019 IEEE/CVF International Conference on Computer Vision Workshop (ICCVW), Seoul, Korea (South), 2019, pp. 3844-3851, doi: 10.1109/ICCVW.2019.00477.
推荐理由：深度图像先验（DIP）与高光谱图像结合的开始，证明了DIP在高光谱图像领域中的广泛适用性，包括去噪、修复和超分辨率任务。代码实现的DIP网络架构一直沿用至今。论文在理论上讨论了DIP在高光谱图像中引入的先验特性，同时通过详实的实验结果证明，表明DIP在高光谱图像去噪中的潜力。
论文：
14.A. Qayyum, I. Ilahi, F. Shamshad, F. Boussaid, M. Bennamoun and J. Qadir, "Untrained Neural Network Priors for Inverse Imaging Problems: A Survey," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 45, no. 5, pp. 6511-6536, 1 May 2023, doi: 10.1109/TPAMI.2022.3204527.
推荐理由：论文系统性地回顾了未训练神经网络先验（Untrained Neural Network Priors, UNNPs）在逆成像问题（如去噪、超分辨率、去模糊等）中的应用，涵盖了其理论基础、最新进展和实际应用场景。并对研究趋势和潜在方向进行了总结，并提供了后续的研究方向。
15.Lu, Canyi, et al. "Exact low tubal rank tensor recovery from Gaussian measurements." arXiv preprint arXiv:1806.02511 (2018).
推荐理由：这篇论文系统地研究了低管秩张量分解，提出了在高斯测量下进行精确张量恢复的理论与方法，给出了低管秩张量恢复的充分条件和误差界，严格证明了方法的精确性和稳定性，为张量分解领域的理论研究奠定了坚实基础。
推荐人：于笑雨
16. Liu, Y., Long, Z., Huang, H., & Zhu, C. (2019). Low CP rank and tucker rank tensor completion for estimating missing components in image data. IEEE Transactions on Circuits and Systems for Video Technology, 30(4), 944-954.
推荐理由：现有方法在低秩张量优化中使用Tucker秩或CANDECOMP/PARAFAC （CP）秩进行数据补全。实际上，这两种张量秩代表了不同的高维数据结构。在论文中，作者提出通过联合最小化低秩张量近似中的CP秩和Tucker秩，同时利用这两种数据结构进行图像恢复。
17. Bengua, J. A., Phien, H. N., Tuan, H. D., & Do, M. N. (2017). Efficient tensor completion for color image and video recovery: Low-rank tensor train. IEEE Transactions on Image Processing, 26(5), 2466-2479.
推荐理由：论文该方法基于张量链（TT）秩，提出了两种新的张量补全方法。第一种方法称为简单低秩张量补全（SiLRTC-TT），它与基于TT秩最小化核范数密切相关。第二种方法是利用多线性矩阵分解模型来近似张量的TT秩，称为通过TT并行矩阵分解的张量补全（TMac-TT）。为了提高SiLRTC-TT和TMac-TT的有效性，提出了一种将低阶张量转换为高阶张量的张量增强方案。
18. Yu, J., Li, C., Zhao, Q., & Zhao, G. (2019, May). Tensor-ring nuclear norm minimization and application for visual: Data completion. In ICASSP 2019-2019 IEEE international conference on acoustics, speech and signal processing (ICASSP) (pp. 3142-3146). IEEE.
推荐理由：张量环（TR）分解已被成功地用于视觉数据补全问题，然而，现有的基于TR的补全方法存在严重的非凸性和计算量大的问题。此外，最优TR秩的确定也是一项艰巨的工作。为了克服这些缺点，论文首先利用张量环展开引入了一类新的张量核范数，通过最小化所提出的张量核范数，开发了一种高效的张量补全算法。
19. Zhou, P., Lu, C., Lin, Z., & Zhang, C. (2017). Tensor factorization for low-rank tensor completion. IEEE Transactions on Image Processing, 27(3), 1152-1163.
推荐理由：近年来，基于张量核范数的张量补全方法在图像和视频补全任务中取得了较好的效果，然而它需要计算张量奇异值分解，计算量大，无法有效处理张量数据。论文提出了一种新的低秩张量分解方法来有效地解决三向张量补全问题。通过将张量分解成两个较小张量的乘积来保留张量的低秩结构。在优化过程中只需要更新两个较小的张量。
20. Zhang, Z., & Aeron, S. (2016). Exact tensor completion using t-SVD. IEEE Transactions on Signal Processing, 65(6), 1511-1526.
推荐理由：论文关注从有限采样中进行多维数组（也称为张量）的补全，特别是三维数组。论文的方法是基于最近提出的张量代数框架，其中三维张量被视为二维张量集合上的线性算子。在这个框架中，可以得到三维数据的因式分解，称为t-SVD，它类似于矩阵的奇异值分解（SVD）。
国内外研究团队如下：
| 张量算法相关领域 | |
| Shandian Zhe | Zhe Shandian – Kahlert School of Computing |
| Ajim Uddin | Ajim Uddin |
| 赵熙乐 团队 | Xile Zhao | UESTC |
| 赵启斌 团队 | Tensor Learning Team |
| 刘翼鹏: | 刘翼鹏 刘翼鹏 电子科技大学主页平台管理系统 |
| yipengliu (Yipeng Liu （刘翼鹏）) · GitHub | |
| 蒋太翔 | 西南财经大学 |
| 张量神经网络综述 | GitHub - tnbar/awesome-tensorial-neural-networks: A thoroughly investigated survey for tensorial neural networks. |
| 图神经网络、推荐算法领域 | |
| 何向南 | Relocation |
| 黄超 | https://sites.google.com/view/chaoh |
| 郭贵冰 | Guibing Guo's Page |
| 交通大数据领域 | |
| 马晓磊 | 北京航空航天大学主页平台系统 Xiaolei Ma--Home--Home |
| ACME Trasnportation Lab课题组 | http://www.trevor/Xiaolei Ma |
| 林有芳 | 北京交通大学教师名录 |
| 杨海 | Welcome to Hai Yang's Homepage! (ust.hk) |
| 陈新宇 | About author | transdim |
| 孙剑TOPS | TOPS_交通运行与仿真课题组 |
| 郑海峰 | 物理与信息工程学院 |
| 北航BIGSCity | http://www.bigcity.ai |
| 图像恢复领域 | |
| 郑玉棒 | https://yubangzheng.github.io./ |
| 孙乐 | sunlecncom (CS_LeSun) · GitHub |
| 庄丽娜 | 庄丽娜-中国科学院大学-UCAS |