基于阈值 t-SVD 与 Top-K 稀疏 Transformer 的 TRPCA 启发式深度展开高光谱图像去噪网络
计算机视觉与模式识别
2025-06-04 v1
摘要
高光谱图像在采集和传输过程中常受到复杂混合噪声的退化，因此有效的去噪对后续分析至关重要。近年来，结合模型驱动与数据驱动范式的混合方法展现出了巨大潜力。然而，这些方法大多缺乏不同先验或模块之间的有效交替，导致正则化松散耦合，未能充分挖掘其互补优势。受张量鲁棒主成分分析的启发，我们提出了一种新型深度展开网络，该网络在两个紧密集成的模块——低秩模块和稀疏模块——之间实施分阶段交替。低秩模块采用阈值张量奇异值分解，为张量低秩性提供广泛采用的凸替代，并已被证明能有效捕获高光谱图像的全局空间-光谱结构。Top-K 稀疏 Transformer 模块自适应地施加稀疏约束，直接匹配 TRPCA 中的稀疏正则化，从而有效去除局部异常值和复杂噪声。这种紧密耦合的架构保持了 TRPCA 固有的低秩近似与稀疏细化之间的分阶段交替，同时通过注意力机制增强了表示能力。在合成和真实高光谱图像上的大量实验表明，DU-TRPCA 在严重混合噪声下超越了现有方法，同时提供了可解释性优势以及受迭代优化启发的稳定去噪动态。代码可在 https://github.com/liangli97/TRPCA-Deep-Unfolding-HSI-Denoising 获取。
引用
@article{arxiv.2506.02364,
title = {A TRPCA-Inspired Deep Unfolding Network for Hyperspectral Image Denoising via Thresholded t-SVD and Top-K Sparse Transformer},
author = {Liang Li and Jianli Zhao and Sheng Fang and Siyu Chen and Hui Sun},
journal= {arXiv preprint arXiv:2506.02364},
year = {2025}
}
备注
11 pages,6 figures