结合深度先验与低秩张量分解进行高光谱图像恢复

混合噪声污染严重干扰高光谱图像（HSI）的处理和应用。已经开发了大量算法来解决此问题，主要通过两种策略：模型驱动或数据驱动策略。然而，模型驱动方法存在迭代优化耗时和参数设置敏感性的弱点。数据驱动方法由于过拟合效应通常表现较差。为了解决这些问题，我们结合深度去噪先验与低秩张量分解（DP-LRTF）进行HSI恢复。所提方法使用塔克张量分解来描述全局光谱低秩约束。然后，光谱正交基和空间降维因子分别通过两个深度去噪先验进行优化。通过这种综合策略，我们可以同时利用HSI的内在低秩特性，并利用深度学习的强大特征提取能力进行HSI恢复。与模型驱动和数据驱动方法相比，DP-LRTF在HSI混合噪声去除和各种模拟/真实实验的执行效率上表现更佳。