论文阅读1（加权核范数）-Weighted Nuclear Norm Minimization with Application to Image Denoising

1. 之前在网上看了一些关于核范数优化的文章，但是并没有清晰的了解整个优化的过程，因此找了一篇论文（A Singular Value Thresholding Algorithm for Matrix Completion）系统的学习了奇异值阈值算法并且利用亚梯度推导最优解的过程。

由亚梯度方法推导可以得到上述等式，即核范数的最优解等于对Y进行软阈值操作，从而进一步得到最优解

1. 除此之外，还阅读了一篇关于加权核范数在图像去噪方面应用的文章

Weighted Nuclear Norm Minimization with Application to Image Denoising

1. 研究背景：

核范数平等的正则化每一个奇异值，限制了处理实际问题的能力，在实际情况中，奇异值具有明确的物理意义，应该用不同的方式对待，更大的奇异值通常与主要投影元素有关，因此最好缩小得更少。因此本文研究了加权核范数最小化，给奇异值分配不同的权重，并且利用图像非局部自相似性将WNNM算法用于图像去噪。

1. 推导过程

WNMM的优化问题：

W代表权重向量，作者分别在三种情况下讨论了该问题的最优解

（后续推导需要使用的定理）

1. The weights are in a non-ascending order（w1≥w2……≥0）

尽管权重系数不是相同的，但是由于权重系数非递增，仍然可以使用软阈值算法对每个奇异值进行操作，因此得到的结果为：

1. The weights are in an arbitrary order

在这种情况下，WNNM求解是一个非凸问题，没有全局最优解，因此使用迭代算法来解决。

the optimal solution of P and Q are the column and row bases of the SVD of matrix Λ，，然后进行迭代，得到最终解。

1. The weights are in a non-descending order

在该种情况下，最优解仍然是

1. 参数设置

w：由于较大奇异值比较小的奇异值更重要，因此，在实际应用中，奇异值越大应该缩小得越少，所以奇异值得权重应该与奇异值成反比：

n代表在Yj中相同patches数目，c是一个常数，使得除数不为0.

Xj的奇异值：由于Xj的奇异值不能直接得到，因此：

1. 将WNNM用于图像去噪，经过以下步骤得到恢复的图像

       

1. 结论

与BM3D等方法相比，WNNM不仅可以实现可见的PSNR改进，还可以更好的保存图片局部结构，并产生更少的视觉伪影。

1、NNM方法的缺点：平等的正则化每一个奇异值，极大地限制了处理实际问题的能力和灵活性，奇异值具有明确的物理意义，应该用不同的方式对待。更大的奇异值通常与主要投影元素有关，因此最好缩小得更少。--利用亚梯度方法进行推导

2、低秩矩阵近似旨在从其退化的观测中恢复底层低秩矩阵，目前有两种方法。（1）低秩矩阵分解，找到一个矩阵X尽可能的接近Y—非凸优化，同时分解成两个低秩矩阵的乘积（2）NNM，用X来近似Y，同时令X的核范数最小化—最紧密的凸松弛，可以通过软阈值轻松的解决。

3、图像的非局部相似性（对于自然图像中给定的local patch，在图像中可以找到许多与之相似的patch---基于此的算法（NCSR,LSSC））极大的促进了图像的降噪效果

3、WNNM算法通常是非凸的，论文贡献：（1）提供了WNNM的解决方案（2）对于图像去噪具有强大的潜力