Weighted Nuclear Norm Minimization with Application to Image Denoising——学习笔记

前景提要

软阈值函数

自然图像中非局部相似块形成的矩阵具有低秩性，可用于高性能的图像恢复任务。

图像非局部自相似性（NSS）的应用极大地提高了图像去噪性能。

NSS先验是指在自然图像中，对于给定的局部patch，可以在图像中找到许多与其相似的patches。

通过将非局部相似块向量叠加成一个矩阵，该矩阵应该是一个低秩矩阵，并且具有稀疏的奇异值。这一假设得到了Wang等人的验证。在[26]中，他们称之为非局部谱先验.。

低秩矩阵近似方法一般可分为两类：低秩矩阵分解（LRMF）方法和核范数最小化（NNM）方法。LRMF的目标是找到一个矩阵$X$，它在一定的数据保真度函数下尽可能接近$Y$，同时能够分解到两个低秩矩阵的乘积中，此方法是一个非凸优化问题。NNM的一个显著优点在于它是对具有一定数据保真度项的非凸LRMF问题是严格的凸松弛。
在之前的研究中已经证实大多数低秩矩阵可以通过求解NNM问题来完全恢复，且基于NNM的低秩矩阵逼近问题具有F范数保真度。即解决：
式中，$\lambda$为正常数，其最优解为：

$Y=U\Sigma V^T$是$Y$的奇异值分解，$S_{\lambda }（\Sigma ）$带参数$\lambda$的对角矩阵