基于 Haar 核范数的遥感图像恢复方法
原文中文，约1300字，阅读约需4分钟。
📝
内容提要
本文提出了多种图像恢复方法，包括非凸加权 Lp 核范数极小化、非局部递归网络和基于预训练扩散模型的框架。这些方法在图像去噪和压缩伪影降低方面表现优越，实验结果显示其在质量和速度上优于现有技术。
❓
Q&A
什么是基于 Haar 核范数的图像恢复方法？
基于 Haar 核范数的图像恢复方法通过非凸加权 Lp 核范数极小化来实现，能够同时强制执行图像结构的稀疏性和自相似性。
该文中提到的交替方向乘子法（ADMM）有什么作用？
交替方向乘子法（ADMM）用于求解非凸极小化问题，实验结果显示该方法在目标和感知质量上优于许多先进方法。
非局部递归网络（NLRN）在图像恢复中有什么优势？
非局部递归网络（NLRN）通过递归非局部操作和相关性传播，在图像去噪和超分辨率任务中取得了优越的结果。
如何提高高光谱图像的恢复质量？
通过基于预训练扩散模型的无监督高光谱图像恢复框架（HIR-Diff），结合低秩分量的乘积来还原清晰的高光谱图像。
加权 Schatten p - 范数最小化模型的特点是什么？
加权 Schatten p - 范数最小化模型提供更好的低秩矩阵逼近，并考虑不同秩分量的重要性，能更有效地去除噪声。
文章中提到的图像融合方法是如何改善视觉质量的？
通过结合低空间分辨率高光谱图像和高空间分辨率多光谱图像，提出的图像融合方法改善了视觉质量。
🏷️
