论文出发点:传统的低秩回收技术采用加权核范数最小化,这需要执行完整的奇异值分解,因此计算成本很高。利用双线性分解方案,此文提出了用于单信道图像恢复的加权低秩矩阵分解的(RLMF)方法。RLMF方法不仅可以继承双线性分解的计算效率,还可以结合自然图像中奇异值的经验分布。然后,考虑图像信道之间的相关性,将重加权核范数从矩阵推广到张量,并开发了重加权低秩张量分解(RLTF)方法用于多信道图像恢复。此外,通过引入深度图像先验信息来增强RLMF和RLTF方法,通过神经网络架构捕获隐式图像结构,提高恢复精度。
单通道图像恢复模型:
引入深度先验:
多通道图像恢复模型:
同样引入深度先验:
通过定理用F范数对权重核范数进行替换,减少计算复杂度:
原模型被修改为:
采用ADMM方法求解(RLMF/RMFD)
推广至张量领域(RLTF/RTFD):
采用ADMM算法进行求解:
算法总结: