{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“讯息”：{“索引”：{“日期-部件”：[[2024,2,15]]，“日期-时间”：“2024-02-15T00:34:31Z”，“时间戳”：1707957271735}，“参考-计数”：69，“出版商”：“工程技术学院（IET）”，“发行”：“3”，“许可证”：[{“开始”：{-日期-部件“：[2023,11,10]]，”日期时间”：“2023-11-10T00:00:00Z”，“timestamp”：1699574400000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“http://\/creativecommons.org\/licenses\/by-nc-nd\/4.0\/”}]，“content-domain”：{“domain”:[“ietrearch.onlinelibrary.wiley.com”]，“crossmark-restriction”：true}，”shortcontainer-title“：[”IET图像处理“]，”published-print“：{“日期部分”：[[2024,2]}，“摘要”：“摘要<\/jats:title>图像复原是图像处理的一个基本研究课题，是利用图像的先验知识，从退化信号中重建原始图像。组稀疏表示（GSR）在图像恢复方面具有强大的功能；然而，在实践中，这往往会导致不期望的稀疏解。为了提高基于GSR的图像恢复质量，稀疏残差模型期望从退化图像中学习到的表示尽可能接近真实表示。本文提出了一种基于低秩自2010表示的组残差学习算法，用于自动估计真实的组稀疏表示。它充分利用了斑块之间的关系，探索了同一组内的子群结构，使得稀疏残差模型具有更好的解释能力，得到了高质量的恢复图像。在两个典型的图像恢复任务（图像去噪和去块）上的大量实验结果表明，该算法优于许多其他流行的或最新的图像恢复方法<\/jats:p>“，”DOI“：”10.1049\/ipr2.12982“，”type“：”journal-article“，”created“：{”date-parts“：[2023,11,11]]，”date-time“：”2023-11-11T04:35:10Z“，”timestamp“：1699677310000}，”page“：“：0，”标题“：[”基于组稀疏表示和低阶组剩余学习的图像恢复“]，“前缀”：“10.1049”，“卷”：“18”，“作者”：[{“给定”：“招远”，“家庭”：“蔡”，“序列”：“第一”，“隶属关系”：[}“名称”：“西安西安电子科技大学计算机学院”}]}，{“已知”：“向华”，“家族”：“谢”，“顺序”：“additional“，”affiliation“：[{“name”：“英国斯旺西大学计算机科学系”}]}，{“given”：“晶晶”，“family”：“Deng”，“sequence”：“additional”，“affiliation:[{”name“：“英国达勒姆大学计算机科学部”}]{“ORCID”：”http://\/ORCID.org\/00000-0002-5162-6244“，”authenticated-ORCID“：false，”given“：”Zengfa“，”家族”：“斗”，“序列”：“附加”，“隶属关系”：[｛“名称”：“中国电子科技集团有限公司第二十研究院西安陕西”}]}，｛“给定”：“博”，“家族”：“童”，“序列”：“附加”，“隶属关系”：[｛“名称”：“西安热电研究院有限公司西安”}]}，｛“ORCID”：“http://\/orcid.org\/00000-0002-5604-7137“，“authenticated-orcid”：false，“given”：“Xiaoke”，“family”：“Ma”，“sequence”：“additional”，“affiliation”：[{“name”：“中国西安西安电子科技大学计算机科学与技术学院”}]]，“member”：“265”，“published-online”：{“date-parts”：[2023,11,10]}，“reference”：[}“key”：”e_1_2_10_2_1“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/79.581363“}，{“key”：“e_1_2_10_3_1”，“doi-assert-by”：“publisher”、“doi”：“10.1109\/TIP.2006.881969”}、{“key”：”e_1_i_10_4_1“，“unstructured”：“Yang J.Wright J.Huang T。Ma Y.：图像超\u2010分辨率作为原始图像补丁的稀疏表示。在：2008 IEEE计算机视觉和模式识别会议pp.1\u20138.IEEE Piscataway（2008）“}，{”key“：”e_1_2_10_5_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1016\/j.image.2012.03.002”}，“key”：“e_1_i_10_6_1”，“doi-assert-by”：“publisher”，”doi“：”10.1016\/0167-2789（92）90242-F“}由“：”publisher“，”doi“：”提供10.1137\/040605412“}，{“key”：“e_1_2_10_8_1”，“doi-asserted-by”：“publisher”，”doi“：“10.1049\/iet-ipr.2015.054”}，“key“：”e_1_i_10_9_1“，”doi-assert-by“：”publisher“，/100817206“}，{”key“：”e_1_2_10_11_1“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/TIP.2012.2221729“｝，｛“key”：“e_1_2_10_12_1”，“doi断言者”：“crossref”，“非结构化”：“Gu S.Zhang L.Zuo W.Feng X.：加权核范数最小化及其在图像去噪中的应用。在：IEEE计算机视觉和模式识别会议论文集第2862\u20132869.EEE Piscataway（2014）”，“doi”：“10.1109 \/CVPR.2014.366“}，{“key”：“e_1_2_10_13_1”，“volume-title”：“高级神经信息处理系统”，“author”：“Liu D.”，“year”：“2018”}，}，“key“：”e_1_I_10_14_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Mastan I.D.Raman S。深层C.F.L.：从单个图像中学习深层语境特征。摘自：IEEE\/CVF计算机视觉应用冬季会议论文集第2897\u20132906.IEEE Piscataway（2021）“，”DOI“：”10.1109\/WACV48630.2021.0294“}，{“key”：“e_1_2_10_15_1”，”DOI-asserted-by“：”crossref“，”unstructured“：”Zha Z.Yuan X.Zhou J.T.Zhou J J.Wen B。朱C.：三重互补先验在图像压缩传感中的作用。收录于：2020 IEEE图像处理国际会议（ICIP）pp.983\u2013987.IEEE Piscataway（2020）“，“DOI”：“10.1109\/ICIP40778.2020.9190707”}，{“key”：“e_1_2_10_16_1”，“unstructured”：“Mataev G.Milanfar P.Elad M.：Deepred:Deep Image prior powered by red。摘自：IEEE计算机视觉研讨会国际会议记录。IEEE Piscataway（2019）“}，{”key“：”e_1_2_10_17_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Zamir S.W.Arora A.Khan S.Hayat M.Khan F.S。杨M.H.：Restormer：用于高分辨率图像恢复的高效变压器。收录于：IEEE计算机视觉和模式识别会议论文集第5728\u20135739.IEEE Piscataway（2022）页“，”DOI“：”10.1109“/CVPR52688.2022.00564“}，{”key“：”e_1_2_10_18_1“，”first page“：“1”，”article-title“：”NeRP：使用预先嵌入的隐式神经表征学习，用于稀疏采样图像重建“，”author“：”Shen L.”，“年份”：“2022年”，“期刊标题”：“IEEE Trans。神经网络。学习。系统。“}，{”key“：”e_1_2_10_19_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Chen L.Chu X.Zhang X.Sun J.：图像恢复的简单基线。In：欧洲计算机视觉会议第17页\u201333.Springer Berlin（2022）”，“doi”：“10.1007\/978-3-031-20071-7_2”}，”{“key”：“e_1_i_10_20_1”，“doi-assert-by”：“Crosref”，”unstructure“：”Z.Wen B.Yuan X。周杰柱C.：泊松去噪的同时非局部低秩和深先验。在：ICASSP 2022\u20102022 IEEE声学语音和信号处理国际会议（ICASSP）pp.2320\u20132324.IEEE Piscataway（2022）“，”DOI“：”10.1109\/ICSPSP43922.2022.9746870“}，{“key”：“e_1_2_10_21_1”，“DOI-asserted-by”：“publisher”，“DOI”：“10.1049\/ipr2.12748”}，“key“：”e_2_1022_1“，”DOI-assert-by“：”publisher“，”DOI“：”10.1049 \/iet-ipr.2019.1312“}，{“key”：“e_1_2_10_23_1”，“doi-asserted-by”：“publisher”，”doi“：“10.1109 \/TCYB.2021.3084931”}，“key“：”e_1_i_10_24_1“，”doi-assert-by“：”publisher“，10.1109\/TCSVT.2022.3170689“}，{“key”：“e_1_2_10_26_1”，“unstructured”：“Buades A.Coll B。Morel J.M.：一种用于图像去噪的非u2010局部算法。收录于：2005 IEEE计算机学会计算机视觉和模式识别会议（CVPR\u201905）第60\u201365.IEEE Piscataway（2005）“}，{“key”：“e_1_2_10_27_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/TIP.2007.901238“}”，{”key“：”e_1_i_10_28_1“，”doi-assert-by“：”publisher“，“doi”：“10.1109\/TIP.2014.2323127”}，10_29_1“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/JSTARS.2016.2533547“}，{“key”：“e_1_2_10_30_1”，“doi-assert-by”：“publisher”、“doi”：“10.1109\/LSP.2017.2731791”}、{“密钥”：“e_1_2_10_31_1”、“doi-sserted-by”:“publishers”、“doi”：”10.1101109\/TSP.2006.881199“doi-asserted-by”：“publisher”，“doi”：“10.1109\/18.57199”}，{“key”：“e_1_2_10_33_1”doi-asserted-by“：”publisher“，”doi“：”10.1109\/TIP.2022.3140918“}，{”key“：”e_1_2_10_34_1“，“doi-assert-by”：“crossref”，“unstructured”：“Mairal J.Bach F.Ponce J.Sapiro G.Zisserman A.：用于图像恢复的非\u2010局部稀疏模型。In:2009 IEEE第12届国际计算机视觉会议pp.2272\u20132279.IEEE Piscataway（2009）”，“doi”：“10.1109\/ICCV.2009.5459452“}，{“key”：“e_1_2_10_35_1”，“doi-asserted-by”：“crossref”，”unstructured“：“Xu J.Zhang L.Zuo W.Zhang D.Feng X.：基于补丁组的非局部自相似性图像去噪先验学习。In:Proceedings of the IEEE International Conference on Computer Vision pp.244\u2013252.IEE Piscataway（2015）”，“doi”：“10.1109\/ICCV.2015.36“}，{“key”：“e_1_2_10_36_1”，“doi-asserted-by”：“publisher”，”doi“：“10.1109\/TNNLS.2021.3057439”}，“key“：”e_1_i_10_37_1“，”doi-assert-by“：”publisher“，“doi”：“10.1016\/j.dsp.2023.104029”}“10.1109\/TNNLS.2022.3144630”}，{“key”：“e_1_2_10_39_1”，“doi-asserted-by”：“publisher”，”DOI“：”10.1109\/TIP.2021.3078329“}，{”key“：”e_1_2_10_40_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1109\/MSP.2022.3217936”}，“key”：“e_1_i_10_41_1”，“DOI-assert-by”：“publisher”，”DOI“:”10.1109\\TIP.2015.2447836“}”，{“DOI”：“10.1109\/TIT.2006.885507”}，{“key”：“e_1_2_10_43_1”，“DOI-asserted-by”：“publisher“，”DOI“：”10.1002\/cpa.20132“}，{“key”：“e_1_2_10_44_1”，“DOI-asserted-by”：“crossref”，”unstructured“：”Chartrand R.Yin W.：压缩传感的迭代重加权算法。In:2008 IEEE国际声学会议语音和信号处理第389页\u20133872.IEEE Piscataway（2008）“，”DOI“：“10.1109\/ICASSP.2008.4518498”}，}“key“：”e_1_2_10_45_1“，”doi断言者“：”publisher“，”doi“：”10.1198\/jasa.2011.tm09738“｝，｛”key“：”e_1_2_10_46_1“，”doi断言者“：”publisher“，”doi“：”10.1016\/j.in.2020.03.103“｝，｛”key“：”e_1_2_10_47_1“，”doi断言者“：”publisher“，”doi“：”10.1016\/j.pare.2013.08.006“｝，”key“：”e_1_ 2_10_48_1“，”doi断言“：”crossref“，”非结构化“：”左W.孟D。张丽峰X.张迪：一种用于非2010凸稀疏编码的广义迭代收缩算法。摘自：IEEE国际计算机视觉会议论文集第217\u2013224.IEE Piscataway（2013）页“，”DOI“：”10.1109\/ICCV.2013.34“}，{“key”：“e_1_2_10_49_1”，“volume-title”：“Advanced Neural Information Processing Systems”，“author”：“Krishnan D.”，“year”：“2009”}，“key“：”e_1_i_10_50_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1109 \/TIP.2017.2662206“}，{“key”：“e_1_2_10_51_1”，“unstructured”：“Sheikh H.Wang Z.Cormack L.et al.：LIVE图像质量评估数据库Release 2.http://LIVE.ece.utexas.educ \/research\/quality”}，}“key”：。Protter M.：使用稀疏\u2010表示法对单个图像进行放大。In:国际曲线和曲面会议pp.711\u2013730.Springer Cham（2010）“，”DOI“：”10.1007\/978-3642-27413-8_47“}，{“key”：“e_1_2_10_53_1”，“DOI-asserted-by”：“crossref”，”unstructured“：”Zoran D。Weiss Y.：从自然图像块的学习模型到整体图像恢复。2011年国际计算机视觉会议pp.479\u2013486.IEEE Piscataway（2011）“，”DOI“：”10.1109\/ICCV.2011.6126278“}，”key“：”e_1_2_10_54_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1109\/TIP.2016.2590318”}，key“：”e_1_2_10_56_1“，”DOI-asserted-by“：”publisher“，”DOI“：”10.1016\/j.neucom.2017.11.004“}，{“key”：“e_1_2_10_57_1”，“DOI-asserted-by”：“publisher”，”DOI:“10.1109\/TPAMI.2016.596743”}，“key“：”e_1_i_10_58_1“，“doiasserted-by“：”crossref“，‘unstructured’：”Quan Y.Chen M.Pang T。Ji H.：Self2self with dropout：从单个图像中学习self\u2010监督去噪。收录于：IEEE计算机视觉与模式识别会议论文集，第1890\u20131898页。郭忠：通过补丁聚类和低秩最小化减少图像阻塞伪影。在：2013年数据压缩会议pp.516\u2013516.IEEE Piscataway（2013）“}，{”key“：”e_1_2_10_61_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1007 \/s11263-016-0930-5”}，“key”：“e_1_i_10_62_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109 \/TIP.2013.2274386“}”，{publisher“，”doi“：”10.1109\/TCSVT.2016.2580399“}，{“key“：”e_1_2_10_64_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TIP.2018.2867943”}，{“key”：“e_1_i_10_65_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/TIP.2020.3005515卷积网络。摘自：IEEE国际计算机视觉会议论文集第576\u2013584.IEEE Piscataway（2015）页“，”DOI“：”10.1109\/ICCV.2015.73“}，{”key“：”e_1_2_10_67_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Fu X.Z.J.Wu F.Ding X。Paisley J.：通过深度卷积稀疏编码减少Jpeg伪影。收录于：IEEE国际计算机视觉会议论文集第2501\u20132510.IEEE Piscataway（2019）页，“DOI”：“10.1109”\/ICCV.2019.00259“}，{“key”：“e_1_2_10_68_1”，“DOI-asserted-by”：“publisher”，”DOI“：”10.1109 \/TNNLS.2021.3083504 19861“}，{”键“：”e_1_2_10_70_1“，“doi-asserted-by”：“publisher”，“doi”：“10.1006\/cviu.1996.0060”}]，“container-title”：[“IET图像处理”]，“原始标题”：[]，“language”：“en”，“deposed”：{“date-parts”：[2024,2,14]]，“date-time”：“2024-02-14T07:56:46Z”，“timestamp”：1707897406000}，“score”：1，“resource”：}“primary”：{“URL”：“https:\/\/ietresearch.onlinelibrary.wiley.com/doi\/10.1049\/ipr2.12982“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[[2023,11,10]]}，“引用计数”：69，”日志发布“：“]，”URL“：”http://\/dx.doi.org\/10.1049\/ipr2.12982“，”存档“：[”门廊“]，”关系“：{}，”ISSN“：[”1751-9659“，”1751-9607“]，“ISSN-type”：[{“value”：“1751-9655”，“type”:“print”}，{“value”：“1741-9667”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[2023,11,10]}，“assertion”：[}“values”：“2023-07-11”，“order”：0，“name”：“received”，“标签“：”已接收“，”组“：{“name”：“publication_history”，“label”：“出版历史“}}，{”value“：”2023-11-01“，”order“：1，”name“：”accepted“，”label“：”accepted”，”group“：