基于张量低秩和TV正则化的图像超分辨率重建

• 作 者: 刘小花 唐贵进
• 机 构: 南京邮电大学电子与光学工程学院微电子学院,南京邮电大学江苏省图像处理与图像通信重点实验室
• 出 处: 软件导刊
• 发表日期: 2019年12期
• 关键词: 张量低秩 全变分 超分辨率重建 tensor low-rank total variation super-resolution reconstruction
• 基金项目: 江苏省研究生科研创新计划项目(KYCX17_0776),南京邮电大学科研基金项目(NY218089,NY219076)

由于低秩先验能够有效地学习图像数据的冗余和数据的全局结构,因此低秩约束在矩阵填充中得到广泛应用。以往的研究表明,低秩约束对张量恢复具有显著影响,这些工作往往通过Tucker秩解决,然而Tucker秩不能捕获张量的内在相关性。提出一种新的基于张量链秩1(Tensor-Train Rank-1,TTR1)分解的逼近张量核范数的邻近算子。低秩约束能够很好地捕获数据的全局结构,但不能利用可视化数据的局部平滑性,因此提出将张量低秩和全变分(total variation,TV)正则化相结合的超分辨率(supe