L'approximation matricielle de faible rang sert de pierre angulaire à la récupération de données structurées dans des domaines allant de l'imagerie médicale aux systèmes de recommandation. Cependant, ses performances dépendent du calibrage délicat de paramètres de régularisation, une tâche qui reste non triviale pour les estimateurs définis comme des solutions à des problèmes régularisés. Ce travail s'appuie sur l'estimation du risque sans biais de Stein (SURE) pour fournir un cadre théorique de l'estimation du risque des estimateurs à rétrécissement spectral. En caractérisant la différentiabilité de ces estimateurs, nous dérivons une interprétation intuitive de la formule de risque en reliant les degrés de liberté à une notion de rang matriciel effectif. Nous étendons également ce cadre à une large classe d'opérateurs spectraux, en abordant spécifiquement les modèles de parcimonie des valeurs singulières. Enfin, nous proposons des extensions pour les fonctions de coût pondérées et le bruit non gaussien, offrant ainsi une voie vers des méthodes de faible rang plus robustes qui peuvent être appliquées à des applications à haut risque telles que l'imagerie clinique.