GSNR: Graph Smooth Null-Space Representation for Inverse Problems¶

会议: CVPR 2026
arXiv: 2602.20328
代码: 无
领域: 图像修复 / 逆问题
关键词: 逆问题, 零空间表示, 图平滑, 谱图理论, 即插即用

一句话总结¶

提出图平滑零空间表示（GSNR），通过谱图理论构建零空间受限拉普拉斯矩阵并选择最平滑的 p 个谱模式作为零空间投影基，为 PnP、DIP 和扩散模型等逆问题求解器提供结构化的零空间约束，在去模糊、压缩感知、去马赛克和超分辨率上提升高达 4.3dB PSNR。

研究背景与动机¶

成像逆问题的核心挑战在于零空间（Null Space）的不适定性：对于欠定系统 \(y = Hx^* + \omega\)，感测矩阵 \(H\) 的零空间中存在无穷多个与测量一致的解。任何信号 \(x\) 都可以分解为值域分量 \(x_r = P_r x\)（可观测）和零空间分量 \(x_n = P_n x\)（不可观测）。

现有方法存在两类问题：(1) 通用先验（如 PnP 去噪器、扩散模型的分数函数）在整个图像空间操作，不区分可观测和不可观测分量——去噪器可能自由修改零空间分量导致偏差和幻觉；(2) 已有零空间方法（如 NSN、NPN）尝试在零空间中学习低维投影，但盲目学习任意零空间子空间可能浪费容量并引入偏差——它们不知道哪些零空间方向是"有意义的"。

核心洞察：自然图像在零空间中不是均匀分布的——它们占据一个低维、结构化的子集。 受图像的图（graph）平滑表示启发，可以利用谱图理论选择最平滑的零空间方向作为投影基——这些方向既容易从测量中预测，又能高效覆盖零空间的自然图像变化。

方法详解¶

整体框架¶

给定逆问题 \(y = Hx + \omega\) 和图拉普拉斯矩阵 \(L\)，GSNR 构建零空间受限拉普拉斯 \(T = P_n L P_n\)，取其 p 个最小特征值对应的特征向量组成投影矩阵 \(S\)。训练一个预测器 \(G(y) \approx Sx^*\) 从测量预测零空间分量。重建时将 \(\|G(y) - Sx\|^2\) 作为正则项加入任意求解器（PnP、DIP、扩散模型）。

关键设计¶

零空间受限拉普拉斯与图平滑投影:
- 功能：以有原则的方式选择最有信息量的零空间方向
- 核心思路：构建图拉普拉斯 \(L\)（4/8-最近邻图像网格，边权编码局部像素相似度），然后投影到零空间得到 \(T = P_n L P_n\)。\(T\) 的特征分解给出零空间内的频率排序——最小特征值对应最平滑（低频）的零空间模式。取前 p 个最平滑模式组成投影矩阵 \(S \in \mathbb{R}^{p \times n}\)
- 设计动机：自然图像在空间上平滑，其零空间分量也应优先由平滑模式组成。理论证明（Theorem 1&2）：图平滑模式在低维 p 下即可实现高覆盖率——少量模式就能捕获大部分零空间方差
零空间分量预测器:
- 功能：从测量 \(y\) 预测零空间的低维表示
- 核心思路：训练网络 \(G(y) \approx Sx^*\) 预测 p 维零空间系数。理论分析（Proposition 1）证明图平滑的零空间分量比一般零空间基更容易从测量中预测——因为平滑模式与值域空间有更强的相关性
- 设计动机：预测能力（predictability）和覆盖率（coverage）是零空间表示的两个关键指标。GSNR 在两者上同时最优：高覆盖（小 p 大方差）+ 高可预测性
即插即用集成:
- 功能：将 GSNR 正则项集成到任意逆问题求解器
- 核心思路：将 \(\|G(y) - Sx\|^2\) 作为额外正则项加入变分优化目标。对 PnP 求解器，在近端梯度下降的数据保真步骤中加入零空间惩罚；对 DIP，加入隐式正则化；对扩散模型，在后验采样中加入零空间引导
- 设计动机：GSNR 仅约束不可观测分量（零空间），与现有先验（约束整个图像）互补而非冲突

损失函数 / 训练策略¶

预测器 \(G\) 用 L2 损失训练：\(\min_G \mathbb{E}\|G(y) - Sx^*\|^2\)。投影矩阵 \(S\) 通过零空间受限拉普拉斯的特征分解得到（无需学习）。重建时的正则项权重 \(\eta\) 需调优。

实验关键数据¶

主实验¶

图像去模糊

方法	PSNR↑	提升	说明
PnP 基线	X dB	-	无零空间约束
PnP + GSNR	X+Y dB	+最高 4.3dB	显著提升
端到端学习模型	Z dB	-	有监督训练
PnP + GSNR	Z+1 dB	+最高 1dB	超越端到端模型

跨任务一致性

任务	PnP 提升	DIP 提升	Diffusion 提升
去模糊	显著	显著	显著
压缩感知	显著	显著	显著
去马赛克	显著	显著	显著
超分辨率	显著	显著	显著

消融实验¶

配置	PSNR	说明
无零空间约束	基线	标准 PnP/DIP/Diffusion
随机零空间基 (NPN)	+小幅	覆盖率低
GSNR (图平滑基)	+最大	高覆盖+高可预测性

关键发现¶

GSNR 在四个任务 × 三个求解器上一致带来提升，证明零空间结构化约束的普适价值
图平滑基比随机学习基在小 p 下覆盖率更高——30% 的模式可捕获 80%+ 的零空间方差
覆盖率/可预测性曲线可作为选择 p 值的操作性诊断工具
零空间正则项减少了幻觉——去噪器不再自由修改不可观测分量

亮点与洞察¶

"仅约束看不见的部分" 是优雅的设计哲学：现有先验约束整个图像可能与数据保真项冲突，GSNR 只在传感器盲区施加结构
谱图理论提供了有原则的方向选择：不需要学习投影矩阵，直接从问题结构中推导，理论清晰
覆盖率/可预测性诊断曲线 是实用的工具：让正则化强度的选择从"调参"变为"客观评估"

局限与展望¶

图拉普拉斯的构建需要邻域像素相似度估计，对严重退化图像可能不准确
零空间特征分解的计算开销在高分辨率图像上可能很高
预测器 \(G\) 的泛化性依赖于训练数据的多样性
理论分析假设了线性传感矩阵，对非线性前向模型的适用性需验证

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次将图平滑引入零空间表示，理论贡献扎实（三个定理/命题）
实验充分度: ⭐⭐⭐⭐⭐ 四个任务 × 三个求解器的全面验证，理论与实验紧密对应
写作质量: ⭐⭐⭐⭐⭐ 数学推导严谨，动机和直觉解释清晰
价值: ⭐⭐⭐⭐⭐ 为逆问题提供了通用的、即插即用的零空间正则化框架