超拉普拉斯正则化单向低秩张量恢复：多光谱图像降噪新方法

"超拉普拉斯正则化单向低秩张量恢复用于多光谱图像降噪" 在多光谱图像（MSI）降噪领域，近年来基于低秩的矩阵和张量恢复方法已经成为研究热点。然而，这些方法通常忽视了图像在空间稀疏性、光谱相关性和非局部自相似性模式上的内在结构差异。本文作者通过深入分析矩阵和张量的秩属性，指出非局部自相似性是图像结构的关键特征，而传统低秩假设并不总是适用。 为了解决这个问题，研究人员提出了一种名为“超拉普拉斯正则化单向低秩张量恢复”（Hyper-Laplacian Regularized Unidirectional Low-rank Tensor Recovery）的新模型。这个模型旨在真实地捕捉图像的内在结构相关性，同时减少计算复杂度。然而，低秩模型在处理重叠区域时容易产生振铃伪影，即由于补丁或立方体的聚集导致的不自然边缘效应。 为解决振铃伪影，作者创新性地引入了分析型超拉普拉斯先验模型，利用MSI的频谱信息来建模全局频谱结构，从而间接减轻空间域中的振铃伪影。这种方法的一个显著优势是更好地表示结构相关性，同时降低了处理时间和减少了重叠区域的伪影。 与现有的多光谱图像降噪方法相比，该方法在多个基准测试中进行了广泛的评估，显示出明显的优越性。这表明，通过结合超拉普拉斯正则化和单向低秩恢复策略，可以有效地提升MSI降噪的效果和效率。 这篇研究论文为多光谱图像处理提供了一种新的、有效的解决方案，特别是在噪声去除方面。它强调了非局部自相似性的关键作用，并通过超拉普拉斯正则化技术解决了低秩模型的局限性，为未来的研究提供了有价值的参考。