[论文解读] Weighted Low-rank Tensor Recovery for Hyperspectral Image Restoration

Yi Chang, Luxin Yan+3 more|arXiv (Cornell University)|Sep 1, 2017

Image and Signal Denoising Methods参考文献 74被引用 31

一句话总结

本文提出了一种统一的加权低秩张量恢复（WLRTR）框架，用于高光谱图像（HSI）复原，通过三维张量建模联合利用空间、光谱和非局部低秩结构。该方法通过引入加权奇异值阈值和鲁棒PCA以处理大误差，在去噪、去条纹、去模糊和超分辨率任务中均实现了最先进性能，且仅需3–4次迭代即可收敛。

ABSTRACT

Hyperspectral imaging, providing abundant spatial and spectral information simultaneously, has attracted a lot of interest in recent years. Unfortunately, due to the hardware limitations, the hyperspectral image (HSI) is vulnerable to various degradations, such noises (random noise, HSI denoising), blurs (Gaussian and uniform blur, HSI deblurring), and down-sampled (both spectral and spatial downsample, HSI super-resolution). Previous HSI restoration methods are designed for one specific task only. Besides, most of them start from the 1-D vector or 2-D matrix models and cannot fully exploit the structurally spectral-spatial correlation in 3-D HSI. To overcome these limitations, in this work, we propose a unified low-rank tensor recovery model for comprehensive HSI restoration tasks, in which non-local similarity between spectral-spatial cubic and spectral correlation are simultaneously captured by 3-order tensors. Further, to improve the capability and flexibility, we formulate it as a weighted low-rank tensor recovery (WLRTR) model by treating the singular values differently, and study its analytical solution. We also consider the exclusive stripe noise in HSI as the gross error by extending WLRTR to robust principal component analysis (WLRTR-RPCA). Extensive experiments demonstrate the proposed WLRTR models consistently outperform state-of-the-arts in typical low level vision HSI tasks, including denoising, destriping, deblurring and super-resolution.

研究动机与目标

• 为解决现有HSI复原方法局限于特定任务且未能充分利用三维光谱-空间相关性的局限性。
• 将多种HSI复原任务——去噪、去模糊、超分辨率和去条纹——统一到单一低秩张量框架中。
• 通过引入加权奇异值阈值策略，提升低秩张量恢复的灵活性与性能。
• 通过鲁棒PCA扩展（WLRTR-RPCA）将条纹噪声建模为大误差，捕捉其结构和方向特性。

提出的方法

• 将HSI复原建模为基于加权低秩张量模型（WLRTR）的三维张量恢复问题，显式建模空间稀疏性、非局部立方冗余性和光谱一致性。
• 采用变量分裂与ADMM方法，将优化问题分解为具有闭式解的子问题，实现高效计算。
• 提出一种加权奇异值阈值策略，对不同奇异值区别对待，以提升低秩逼近的准确性。
• 将WLRTR扩展为WLRTR-RPCA，通过在鲁棒主成分分析框架中将条纹噪声建模为稀疏的大误差分量，以处理条纹噪声。
• 采用三维张量格式表示HSI数据，保留其固有的三维结构，实现对空间、光谱和非局部相关性的联合利用。
• 在数据保真项中同时考虑空间退化（Tsa）和光谱退化（Tse），并在超分辨率任务中引入多光谱引导。

实验结果

研究问题

• RQ1 统一的低秩张量模型能否通过利用三维结构相关性，有效同时处理多种HSI复原任务？
• RQ2 与标准核范数最小化相比，加权奇异值阈值策略在HSI复原中如何提升低秩张量恢复性能？
• RQ3 所提出的WLRTR模型在多大程度上能捕捉高光谱立方体中的非局部空间-光谱冗余性和光谱一致性？
• RQ4 WLRTR-RPCA扩展在建模和抑制条纹噪声的同时，如何有效保留图像细节？
• RQ5 所提出的框架能否在多种HSI退化类型下实现快速收敛和高质量复原结果？

主要发现

• WLRTR模型在所有测试的HSI复原任务中（包括去噪、去条纹、去模糊和超分辨率）均持续优于最先进方法。
• 该算法收敛迅速，仅需3–4次迭代即可达到稳定PSNR值，且能量函数单调递减至零。
• 在HSI超分辨率任务中，该方法在AVIRIS数据集上达到34.21 dB的PSNR，优于次优方法超过1 dB。
• 在去条纹任务中，WLRTR-RPCA变体实现了最高的PSNR和SSIM值，能有效去除条纹伪影且残留噪声极少。
• 即使在高噪声水平和复杂退化模式下，该方法仍保持优异性能，展现出强鲁棒性和泛化能力。
• 实证分析表明，使用100–200个非局部相似立方体可获得最佳性能，当超过230个时性能下降，因相似性降低。