Latent Low-Rank Representation for Subspace Segmentation and Feature Extraction ICCV matlab 论文代码

lrr的低秩方法，刘光灿写的。。。。。还蛮有用的

提出了一种基于低秩矩阵逼近（LRMA）和加权核范数最小化（WNNM）正则化的去噪算法，以消除磁共振图像的Rician噪声。 该技术将来自嘈杂的3D MR数据的相似的非局部立方块简单地分组到一个补丁矩阵中，每个块按字典顺序矢量化为一列，计算该矩阵的奇异值分解（SVD），然后是LRMA的闭式解通过用不同的阈值硬阈值不同的奇异值来实现。 去噪块是从低秩矩阵的此估计中获得的，整个无噪声MR数据的最终估计是通过聚合所有彼此重叠的去噪示例块来建立的。 为了进一步提高WNNM算法的去噪性能，我们首先在两次迭代的正则化框架中实现了上述去噪过程，然后利用基于单像素补丁的简单非局部均值（NLM）滤波器来降低WNNM算法的去噪强度。均匀面积。 所提出的降噪算法与相关的最新技术进行了比较，并在合成和真实3D MR数据上产生了非常有竞争力的结果。

Deep Learning Through Sparse and Low-Rank Modeling

Image Denoising by Low-Rank Approximation with Estimation of Noise Energy Distribution in SVD Domain

Tianyi Zhou，Dacheng Tao等人提出的GoDec模型，适用于低秩分解。

Godec 代码 快速SVD分解 Tianyi Zhou and Dacheng Tao, "GoDec: Randomized Lo-rank & Sparse Matrix %Decomposition in Noisy Case", ICML 2011

code for Latent Low-Rank Representation for Subspace Segmentation and Feature Extraction iccv2011