Fast Unsupervised Tensor Restoration via Low-rank Deconvolution

本文介绍了一种新的多维表示模型——低秩反卷积（LRD），它具有重要的效率和灵活性。本文的研究问题是：这种分析模型是否能够在信号恢复任务中与深度学习框架（如深度图像先验（DIP）或盲点网络（BSN））以及其他经典方法竞争。具体而言，我们提出了在LRD中加入微分正则化的方法。这种方法使我们能够轻松地将总变差（TV）和积分先验纳入到公式中，从而在信号恢复任务中（如图像去噪和视频增强）取得了显著的性能，同时受益于其小的计算成本。

论文旨在探讨低秩反卷积模型在信号恢复任务中的性能，特别是与深度学习模型和传统方法的比较。

论文提出了一种扩展低秩反卷积模型的方法，即加入微分正则化，以便轻松地将总变差和积分先验纳入公式中，从而提高信号恢复任务的性能。

论文使用了图像去噪和视频增强等任务来测试该方法的性能，并证明了其在计算成本方面具有优势。此外，该论文还提供了开源代码。

在最近的相关研究中，一些论文探讨了深度学习模型在信号恢复任务中的应用，如Deep Image Prior和Blind-Spot Networks。传统方法方面，一些论文研究了基于总变差的方法。