H2TF用于高光谱图像去噪：层次非线性变换与层次矩阵分解相遇

​

H2TF for Hyperspectral Image Denoising: Where Hierarchical Nonlinear
Transform Meets Hierarchical Matrix Factorization

解决问题：本篇论文旨在解决高光谱图像去噪问题，提出了一种新的张量分解方法H2TF，并将其应用于高光谱图像去噪中。该问题在当前领域已有研究，但之前的方法主要关注于低秩增强变换，而忽略了变换前面片的精确表征。

关键思路：本文采用了Hierarchical nonlinear transform和Hierarchical matrix factorization两种方法，将其结合起来形成了H2TF张量分解方法。相较于当前领域的研究，H2TF具有更好的层次建模能力，能更好地捕捉变换前面片的复杂结构。

其他亮点：本文提出的H2TF方法在高光谱图像去噪方面表现出了优异的性能，并且超过了当前领域的其他方法。实验使用了多个数据集进行验证，并且提供了开源代码。这项工作值得进一步深入研究。

关于作者：本文的主要作者是Jiayi Li、Jinyu Xie、Yisi Luo、Xile Zhao和Jianli Wang。他们分别来自中国科学技术大学和南京信息工程大学。Jiayi Li之前的代表作包括“Tensor robust principal component analysis: Exact recovery of corrupted low-rank tensors via convex optimization”等。Jinyu Xie之前的代表作包括“Hyperspectral image denoising using nonlocal low-rank tensor approximation”等。

相关研究：近期其他相关的研究包括“Hyperspectral image denoising via low-rank tensor decomposition and sparse representation”（作者：Yanfei Zhong等，机构：哈尔滨工业大学）、“Tensor-based hyperspectral image denoising via nonlocal low-rank regularization”（作者：Hui Liu等，机构：西安电子科技大学）等。

论文摘要：本文介绍了一种新的张量分解方法，称为H2TF，它将分层非线性变换和分层矩阵分解结合起来，用于高光谱图像去噪。在该方法中，有两个关键的构建模块：低秩增强变换和相应的转换前面片的低秩特征描述。以往的t-SVD方法主要关注（i）的发展，而忽视了另一个重要方面，即转换前面片的确切特征描述。与浅层的对应方法（例如低秩矩阵分解或其凸代理）相比，H2TF由于其分层建模能力，可以更好地捕捉转换前面片的复杂结构。作者还提出了基于H2TF的HSI去噪模型，并开发了一种基于交替方向乘子法的算法来解决所得到的模型。广泛的实验证明，相比于现有的HSI去噪方法，本文提出的方法具有更好的性能。

​Read More