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：
738
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
