论文笔记30：Hyperspectral image restoration via CNN denoiser prior regularized low-rank tensor recovery

主要还是张量工具。

引言

矩阵化通常不能利用基本的张量结构，即HSIs中的空间和光谱信息，导致在一些强噪声情况下恢复性能差。

通过变量分裂技术，即插即用(PnP)可以将一个复杂的恢复模型分解成几个相关的子模型。除了子模型之间的输入和输出，每个子模型都有一个特殊的孤立函数(isolated function)，可以被其他类似的模型灵活替换。因此，对于HSI恢复任务，PnP为我们提供了一种将现有去噪算法的强大功能集成到一个恢复模型中的方法。

在提出的PnP框架中，基于Tucker分解的低秩张量近似子模型去除了稀疏噪声和部分高斯噪声，并使残差服从高斯分布，该分布可以被FFDNet子模型抑制。

预备知识

本文公式非常多，记在笔记本上。

在传统的图像复原领域，已经有许多使用各种正则化的研究，然而，仍然存在以下两个困难。首先，很难找到一种数学工具来合理描述HSIs复杂的先验信息。其次，传统的包含多个正则项的恢复模型在理论上难以求解。

本文将PnP框架作为传统HSI恢复方法和去噪深度网络之间的桥梁。

CNN设计：使用FFDNet.

Deep PnP regularized HSI restoration model

实验结果与讨论