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$\sum$的软阈值函数,有：

上述奇异值软阈值方法已被广泛应用于解决许多基于NNM的问题。
虽然NNM在低秩矩阵逼近中得到了广泛的应用，但仍存在一些问题。为了追求凸性，标准核范数对每个奇异值进行同等处理，从而使（3）中的软阈值算子以相同的量λ收缩每个奇异值。这使得我们忽略了较大的奇异值应该减少压缩以保留主要数据成分。

因此，为了提高核范数的灵活性，我们提出了加权核范数，并研究了其最小化问题。矩阵X的加权核范数定义为：

不同权重$w$条件下的求解方法

通过使用F范数来度量观测数据矩阵$Y$和潜在数据矩阵$X$之间的差异,并引入权重，将eq1)转换为eq(5)，
然而，由于（5）中的目标函数一般不是凸的，因此WNNM问题比NNM更难优化。在分析WNNM问题之前，我们首先给出定理1：
(论文原文有证明过程)

权重按非升序排列$w_1\ge \cdot \cdot \ge w_n\ge 0$

基于定理1，我们得到了（5）中w1≥··≥wn≥0的WNNM问题的全局最优解。我们有下面的定理2:
(论文原文有证明过程)

权重按任意序排列

在权重不是按非升序而是按任意顺序排列的情况下，（5）中的WNNM问题是非凸的，因此我们不能有它的全局最小值。我们提出了一种迭代算法来求解它。
在定理1中，我们证明了（5）的解可以通过解（6）得到。设$B=P$