[论文解读] Non-Convex Weighted Lp Nuclear Norm based ADMM Framework for Image Restoration

Zhiyuan Zha, Xinggan Zhang+3 more|University of Oulu Repository (University of Oulu)|Apr 24, 2017

Sparse and Compressive Sensing Techniques参考文献 30被引用 4

一句话总结

该论文提出了一种使用ADMM的非凸加权ℓₚ核范数最小化（NCW-NNM）框架，通过为奇异值分配自适应权重，实现比传统核范数最小化更精确的低秩逼近，从而提升图像恢复性能。该方法减少了过度收缩，增强了结构稀疏性和非局部自相似性，进而在去模糊、图像修复和压缩感知恢复等多个基准测试中表现出优越性能。

ABSTRACT

Since the matrix formed by nonlocal similar patches in a natural image is of low rank, the nuclear norm minimization (NNM) has been widely used in various image processing studies. Nonetheless, nuclear norm based convex surrogate of the rank function usually over-shrinks the rank components and makes different components equally, and thus may produce a result far from the optimum. To alleviate the above-mentioned limitations of the nuclear norm, in this paper we propose a new method for image restoration via the non-convex weighted Lp nuclear norm minimization (NCW-NNM), which is able to more accurately enforce the image structural sparsity and self-similarity simultaneously. To make the proposed model tractable and robust, the alternative direction multiplier method (ADMM) is adopted to solve the associated non-convex minimization problem. Experimental results on various types of image restoration problems, including image deblurring, image inpainting and image compressive sensing (CS) recovery, demonstrate that the proposed method outperforms many current state-of-the-art methods in both the objective and the perceptual qualities.

研究动机与目标

• 为解决传统核范数最小化（NNM）中奇异值过度收缩和平等处理的问题，该问题限制了图像恢复中低秩逼近的精度。
• 通过更灵活的低秩正则化模型，利用非局部自相似性和结构稀疏性，提升图像恢复性能。
• 开发一种可处理且鲁棒的优化框架，用于求解非凸NCW-NNM模型，确保收敛性和实际适用性。
• 在去模糊、图像修复和压缩感知等多种图像恢复任务中，证明所提方法优于现有最先进技术。

提出的方法

• 提出一种非凸加权ℓₚ核范数（NCW-NNM），对奇异值应用ℓₚ范数（0 < p < 1）并引入自适应权重，以更精确逼近矩阵秩。
• 提出一种加权奇异值阈值化方案，根据奇异值大小差异性地惩罚，减少过度收缩。
• 采用交替方向乘子法（ADMM）将非凸优化问题分解为可处理的子问题，实现高效求解。
• 使用变量分裂技术分离数据保真项与正则化项，支持图像估计、奇异值和对偶变量的迭代更新。
• 在ADMM框架中应用类似软阈值化的更新规则，专为非凸ℓₚ范数设计，确保实际收敛性。
• 采用基于图像块的非局部相似性策略，聚合同类图像块并构建低秩矩阵用于正则化。

实验结果

研究问题

• RQ1 在图像恢复中，非凸加权ℓₚ核范数是否能比标准核范数更精确逼近矩阵秩？
• RQ2 为奇异值分配自适应权重是否能减少过度收缩并提升低秩逼近精度？
• RQ3 ADMM框架能否有效且稳定地求解图像恢复任务中的非凸NCW-NNM模型？
• RQ4 在多种图像恢复问题中，NCW-NNM在PSNR、FSIM和视觉质量方面与最先进方法相比表现如何？

主要发现

• 在图像去模糊任务中，所提NCW-NNM方法达到26.52 dB的PSNR和0.9271的FSIM，显著优于传统NNM。
• 在80%像素缺失的图像修复任务中，NCW-NNM实现28.15 dB的PSNR和0.9321的FSIM，表现出更优的恢复质量。
• 在0.1N测量数的压缩感知恢复任务中，NCW-NNM达到25.49 dB的PSNR和0.8755的FSIM，优于NNM及其他领先方法。
• 视觉对比显示，NCW-NNM在高频区域更能有效保留细纹理和边缘，优于NNM。
• 奇异值分析表明，NCW-NNM对真实秩结构的逼近优于NNM，显著减少了重要奇异值的过度收缩。
• ADMM收敛稳定高效，PSNR曲线平滑上升并在约100次迭代后稳定，收敛速度和精度优于IST。