单向低秩张量恢复，结合超拉普拉斯正则化，应用于多光谱图像降噪。

简介：
近期，基于低秩矩阵/张量恢复技术的应用已在多光谱图像（MSI）去噪领域获得广泛的研究和应用。然而，现有的这些方法往往未能充分考虑固有结构相关性、空间稀疏性、光谱相关性和非局部自相似性模式之间的差异。本文通过对矩阵和张量情形下秩的深入分析，明确指出非局部自相似性是至关重要的因素，而传统的低秩假设可能并不适用。这一发现促使我们设计一种简洁高效的单向低秩张量恢复模型，该模型能够准确地捕捉固有的结构相关性，并显著降低计算复杂度。尽管如此，由于重叠补丁/立方体聚集的存在，低等级模型仍然容易产生振铃伪影。尽管以往的方法通常依赖于空间信息，但我们通过巧妙地利用MSI图像中的独特频谱信息来解决这一问题，从而提供了一种全新的视角。为了进一步抑制空间域中的振铃伪影，我们引入了一种基于分析的超拉普拉斯先验模型，用于对全局频谱结构进行建模。相较于现有的技术方案，该方法具有诸多优势：更具合理性的结构相关性表示、更短的处理时间以及在重叠区域中更少的伪影产生。所提出的方法在多个标准数据集上进行了广泛的评估，并且明显超越了最新的MSI去噪技术水平。