[论文解读] From Rank Estimation to Rank Approximation: Rank Residual Constraint for Image Restoration

Zhiyuan Zha, Xin Yuan+4 more|arXiv (Cornell University)|Jul 6, 2018

Image and Signal Denoising Methods参考文献 83被引用 3

一句话总结

本文提出了一种用于图像复原的新型秩残差约束（RRC）模型，通过最小化参考图像组与退化观测之间的秩残差，迭代逼近潜在的低秩结构。通过整合非局部自相似性先验和基于分组的稀疏表示，RRC在图像去噪和压缩伪影抑制方面表现出色，其客观质量与主观感知质量均优于当前最先进方法。

ABSTRACT

In this paper, we propose a novel approach to the rank minimization problem, termed rank residual constraint (RRC) model. Different from existing low-rank based approaches, such as the well-known nuclear norm minimization (NNM) and the weighted nuclear norm minimization (WNNM), which estimate the underlying low-rank matrix directly from the corrupted observations, we progressively approximate the underlying low-rank matrix via minimizing the rank residual. Through integrating the image nonlocal self-similarity (NSS) prior with the proposed RRC model, we apply it to image restoration tasks, including image denoising and image compression artifacts reduction. Towards this end, we first obtain a good reference of the original image groups by using the image NSS prior, and then the rank residual of the image groups between this reference and the degraded image is minimized to achieve a better estimate to the desired image. In this manner, both the reference and the estimated image are updated gradually and jointly in each iteration. Based on the group-based sparse representation model, we further provide a theoretical analysis on the feasibility of the proposed RRC model. Experimental results demonstrate that the proposed RRC model outperforms many state-of-the-art schemes in both the objective and perceptual quality.

研究动机与目标

• 为解决传统低秩矩阵恢复方法（如核范数最小化NNM和加权核范数最小化WNNM）过度收缩奇异值且缺乏自适应性的局限性。
• 通过从直接秩估计转向渐进秩逼近，提出一种更具灵活性和准确性的低秩矩阵估计方法。
• 通过迭代最小化秩残差，联合更新参考图像组与估计图像，提升图像复原性能。
• 将非局部自相似性（NSS）先验与RRC模型结合，以提升复原图像的结构保真度和感知质量。
• 基于基于分组的稀疏表示，为RRC模型提供理论基础，并在特定条件下证明其与稀疏编码公式的等价性。

提出的方法

• 提出一种秩残差约束（RRC）模型，通过最小化参考图像组与观测到的退化图像之间的秩结构差异，而非直接估计低秩矩阵。
• 采用基于分组的稀疏表示（GSR）框架来建模非局部自相似块，利用相似图像块可形成低秩组的特性。
• 通过最小化秩残差，迭代更新参考图像组与估计图像，实现低秩逼近的逐步优化。
• 通过酉变换与奇异值分解推导出在变换域中采用软阈值法的闭式解，解决优化问题。
• 建立RRC模型与基于分组的稀疏表示（GSRC）之间的理论等价性，证明最小化秩残差等价于使用自适应字典求解稀疏编码问题。
• 采用两步交替优化：首先通过SVD估计变换矩阵，然后利用软阈值法求解稀疏系数，确保计算效率与收敛性。

实验结果

研究问题

• RQ1 通过秩残差最小化的迭代秩逼近是否能在图像复原任务中优于直接低秩估计？
• RQ2 将非局部自相似性与秩残差约束结合，相较于传统低秩模型，能否显著提升复原质量？
• RQ3 与NNM和WNNM相比，所提出的RRC模型在多大程度上减少了奇异值的过度收缩？
• RQ4 RRC模型是否在理论上等价于基于分组的稀疏表示？该等价性是否可解释其优越性能？
• RQ5 参考图像组与估计图像组的迭代联合更新是否能带来更好的收敛性与感知质量，尤其在图像去噪与压缩伪影抑制中？

主要发现

• 所提出的RRC方法在标准图像复原基准测试中，于PSNR与SSIM指标上均优于当前最先进方法（如NNM、WNNM及其他低秩模型），表现出更优的客观性能。
• 通过视觉观察与用户研究验证，RRC模型显著提升了感知质量，复原图像展现出更锐利的边缘与更自然的纹理。
• 迭代秩残差最小化过程使奇异值逐步收敛至真实值，如各次迭代中的奇异值曲线所示。
• 理论分析证实，在特定假设下，RRC模型与基于分组的稀疏表示（GSRC）等价，为其有效性提供了坚实的数学基础。
• 通过残差最小化过程自适应加权奇异值，该方法有效减少了奇异值的过度收缩，更好地保留了结构细节。
• 实证结果表明，参考图像组与估计图像组的联合更新显著提升了复原精度，尤其在高噪声与高压缩场景下表现更优。