基于组稀疏表示的广义图像压缩感知中非凸非光滑低秩最小化
图像与视频处理
2020-01-14 v2 机器学习
信号处理
摘要
基于组稀疏表示（GSR）的方法在各种图像恢复任务中取得了巨大成功，其可转化为低秩矩阵最小化问题。作为低秩的常用替代函数，基于核范数的凸替代通常导致过收缩问题，因为标准软阈值算子对所有奇异值等量收缩。为改进传统基于稀疏表示的图像压缩感知（CS）性能，我们提出一种基于GSR模型的广义CS框架，其导致一个非凸非光滑低秩最小化问题。分别采用流行的L_2范数和M估计器用于标准图像CS和鲁棒CS问题以拟合数据。为更好地近似组矩阵的秩，采用一族核范数以解决过收缩问题。此外，我们还提出一种灵活有效的迭代加权策略来控制每个奇异值的权重与贡献。随后我们通过交替方向乘子法框架为我们广义框架开发了迭代重加权核范数算法，即GSR-AIR。实验结果表明，与当前最先进方法相比，我们提出的CS框架能获得良好的重建性能，且鲁棒CS框架可有效抑制离群值。
引用
@article{arxiv.1911.08914,
title = {Nonconvex Nonsmooth Low-Rank Minimization for Generalized Image Compressed Sensing via Group Sparse Representation},
author = {Yunyi Li and Li Liu and Yu Zhao and Xiefeng Cheng and Guan Gui},
journal= {arXiv preprint arXiv:1911.08914},
year = {2020}
}
备注
This paper has been submitted to the Journal of the Franklin Institute. arXiv admin note: substantial text overlap with arXiv:1903.09787