图优化与深度图超分辨率：DGOSR 读书笔记

问题背景

深度图（Depth Map）天然具有 大范围平滑区域 + 清晰物体边缘 的特性，非常适合用图信号建模：像素为顶点，像素间关系为边。

传统图优化方法需要构建 $HW \times HW$ 的全局相似度/拉普拉斯矩阵，计算与内存开销巨大。GraphSR 作为深度学习+图优化的先驱，直接学习全局拉普拉斯矩阵，参数量仍然非常高。

核心矛盾：如何在保持甚至提升重建质量的前提下，极大降低计算量和参数规模？

DGOSR 的三步创新

1. Kronecker 分解

将大相似度矩阵 $S \in \mathbb{R}^{HW \times HW}$ 分解为：

$S \approx S_H \otimes S_W$

其中 $S_H \in \mathbb{R}^{H \times H}$（行方向）、$S_W \in \mathbb{R}^{W \times W}$（列方向）。

复杂度从 $O(H^2W^2)$ 降至 $O(H^2 + W^2)$。

2. 统一一步优化模型

传统流程：先构建相似度 → 再固定相似度做图优化，两步之间存在信息割裂。

DGOSR 将相似度矩阵学习、拉普拉斯正则化、图优化求解整合到同一个目标函数中：

• 深度估计反馈相似度学习
• 相似度约束深度解的平滑/边缘
• 减少模块间信息损失

3. ADMM 展开为深度网络

对统一优化模型设计 ADMM 求解算法，每步迭代有闭式解。将 $T$ 次迭代展开为网络的 $T$ 层：

• 更新深度变量 / 辅助变量 / 拉格朗日乘子 / 相似度矩阵
• 正则权重、步长等参数变为可学习参数
• 端到端训练，兼具可解释性与表达能力

实验结果

在 Middlebury / NYU v2 / Lu / RGBDD 四个数据集上，$\times 4, \times 8, \times 16$ 放大倍数：

消融实验验证了 Kronecker 分解、统一一步模型、ADMM 展开三个模块各自的必要性。

小结

DGOSR 的核心思路是 「分解 + 统一 + 展开」：

1. 分解：Kronecker 积降低矩阵规模
2. 统一：一步优化减少信息损失
3. 展开：ADMM 迭代转为可训练网络

未来方向包括推广到去噪、去模糊等任务，以及更大规模场景下的扩展性研究。