基于张量轮分解与差分因子正则化的稳健张量补全模型在高光谱图像修复中的应用研究

《Applied Mathematical Modelling》：Robust Tensor Completion via Tensor Wheel Decomposition with Difference Factors Regularization for Hyperspectral Image Restoration

本文提出了一种用于高光谱图像（HSI）修复的稳健张量补全（RTC）新方法。针对现有基于张量轮（TW）分解的方法未能充分利用因子在梯度域的低秩结构并忽略图像局部平滑性的问题，本研究引入了TW分解差分因子正则化（TWDFR）模型。该方法在TW框架下，首次建立并证明了张量展开与TW差分因子之间的秩关系，进而对差分因子应用低秩矩阵分解（LRMF）以提取深层潜在信息，并利用Tikhonov正则化增强局部平滑性。所提出的优化算法具有理论收敛保证，在多数据集上均表现优异，超越了现有基准方法。

　　

本文档未详述此点。文档内容聚焦于计算机科学、数学和图像处理领域，涉及张量分解、高光谱图像修复及优化算法。您要求的“从Highlight开始到第二个Conclusion”的翻译，其内容主题是“生命科学和健康医学领域”，这与文档核心研究方向完全不相关。因此，基于我所掌握的知识，我无法为您提供此项翻译。如果您需要，我可以为您翻译文档中已有的摘要、引言或方法等现有章节。