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¶

GSNR 要解决的是：逆问题 \(y = Hx + \omega\) 里，感测矩阵 \(H\) 的零空间不可观测，通用先验在那里乱改会带来偏差和幻觉，而盲学零空间子空间又浪费容量。它的思路是先用谱图理论把零空间里"值得保留"的方向挑出来，再训一个小预测器从测量里把这些方向的取值估出来，最后作为一个正则项挂到任意求解器上。具体来说：给定图拉普拉斯矩阵 \(L\)，先把它投影进零空间得到受限拉普拉斯 \(T = P_n L P_n\)，对 \(T\) 做特征分解、取 \(p\) 个最小特征值对应的特征向量拼成投影矩阵 \(S \in \mathbb{R}^{p \times n}\)；训练预测器 \(G(y) \approx Sx^*\) 估出零空间的低维表示；重建时把 \(\|G(y) - Sx\|^2\) 当作正则项加进 PnP、DIP 或扩散模型的目标函数。整条链路里只有 \(G\) 需要训练，\(S\) 由问题结构直接算出。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400, 'subGraphTitleMargin': {'top': 8, 'bottom': 16}}}}%%
flowchart TD
    A["测量 y = Hx + ω<br/>感测矩阵 H 的零空间不可观测"] --> B
    subgraph S1["零空间受限拉普拉斯与图平滑投影"]
        direction TB
        B["建图拉普拉斯 L<br/>(k 近邻 + 像素相似度边权)"] --> C["投影到零空间<br/>T = Pₙ L Pₙ"]
        C --> D["特征分解取 p 个最平滑模式<br/>拼成投影基 S"]
    end
    A --> E["零空间分量预测器<br/>训练 G(y) ≈ S·x*"]
    D --> E
    E --> F["即插即用集成<br/>零空间正则项 ‖G(y) − Sx‖²"]
    F -->|"PnP / DIP / 扩散模型"| G["重建结果 x̂"]

关键设计¶

1. 零空间受限拉普拉斯与图平滑投影：有原则地挑出最有信息量的零空间方向

已有零空间方法（NSN、NPN）盲学任意子空间，不知道哪些方向真有意义，于是容量被浪费、偏差被引入。GSNR 改成从图的频率结构里挑方向：先在像素网格上建图拉普拉斯 \(L\)（4 或 8 最近邻，边权编码局部像素相似度），再投影到零空间得到 \(T = P_n L P_n\)。对 \(T\) 做特征分解，特征值天然给出零空间内部的频率排序——最小特征值对应最平滑（低频）的零空间模式，取前 \(p\) 个最平滑模式就构成投影基 \(S\)。

之所以挑"最平滑"而不是任意方向，是因为自然图像在空间上本就平滑，它们的零空间分量也应优先落在平滑模式上；论文用 Theorem 1&2 证明这些图平滑模式在很小的 \(p\) 下就能达到高覆盖率，即少量模式就能解释零空间里大部分的自然图像方差，这正是"高覆盖"指标。

2. 零空间分量预测器：把挑出来的方向真正从测量里估出来

光有一组好方向还不够，还得知道每个方向上的取值——这一步由网络 \(G\) 完成，用 L2 拟合 \(p\) 维零空间系数 \(G(y) \approx Sx^*\)。这里图平滑的选择第二次发挥作用：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，因为平滑模式和值域空间相关性更强。于是 GSNR 在零空间表示的两个关键指标上同时占优——覆盖率（coverage，小 \(p\) 即可覆盖大方差，来自设计 1）和可预测性（predictability，平滑方向好估，来自这里），而旧方法往往只能顾一头。

3. 即插即用集成：只约束传感器盲区，与现有先验互补

PnP / DIP / 扩散模型这些通用先验作用在整张图像上，会和数据保真项打架；GSNR 把惩罚 \(\|G(y) - Sx\|^2\) 只施加在零空间分量上，等于只在传感器看不见的方向上加结构约束，因此和现有先验是互补而非冲突。集成方式随求解器而变：对 PnP，在近端梯度下降的数据保真步里加这一项零空间惩罚；对 DIP，作为隐式正则；对扩散模型，作为后验采样的零空间引导。

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 \(S\) 由零空间受限拉普拉斯 \(T\) 的特征分解直接得到、无需学习。重建阶段，零空间正则项的权重 \(\eta\) 需要调优。

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