用于椒盐噪声去除的对偶重加权 Lp 范数最小化
计算机视觉与模式识别
2019-08-20 v3
摘要
鲁棒主成分分析（RPCA）旨在从退化的观测数据中估计潜在的低秩与稀疏结构，已在计算机视觉中得到广泛应用。为追求凸性，通常用主成分追踪（PCP）模型替代，导致不理想的过收缩问题。本文提出一种具有更合理加权规则和更弱幂次的对偶加权 lp 范数（DWLP）模型，该模型极大推广了先前工作，并为原始矩阵的秩最小化问题及稀疏数据的 l0 范数最小化问题提供了更好的近似。此外，引入了一种近似闭式解来求解 lp 范数最小化，该解在非凸优化中具有更好的稳定性，并为低秩与稀疏矩阵恢复问题提供更准确的估计。随后，我们利用图像非局部自相似性，将 DWLP 模型应用于去除椒盐噪声。定性与定量实验均表明，所提方法优于其他 SOTA 方法。在 PSNR 评估方面，相对于当前 WSNM-RPCA，我们的 DWLP 在 10% 至 50% 椒盐噪声（间隔 10%）下分别实现了约 7.188dB、5.078dB、3.854dB、2.536dB 和 0.158dB 的提升。
引用
@article{arxiv.1811.09173,
title = {Dual Reweighted Lp-Norm Minimization for Salt-and-pepper Noise Removal},
author = {Huiwen Dong and Jing Yu and Chuangbai Xiao},
journal= {arXiv preprint arXiv:1811.09173},
year = {2019}
}