[论文解读] A Short Note on Compressed Sensing with Partially Known Signal Support

Laurent Jacques|arXiv (Cornell University)|Aug 5, 2009

Sparse and Compressive Sensing Techniques参考文献 13被引用 29

一句话总结

本文提出了一种增强的压缩感知方法——改进型基追踪去噪（iBPDN），利用部分已知的信号支撑来提升从噪声测量中对稀疏或可压缩信号的重建性能。通过在未知支撑上最小化ℓ₁-范数，同时施加ℓ₂-保真度约束，iBPDN在相同的受限等距性（RIP）条件下，实现了与标准BPDN相当的稳定性保证，将先前工作扩展至噪声环境和可压缩信号场景。

ABSTRACT

This short note studies a variation of the Compressed Sensing paradigm introduced recently by Vaswani et al., i.e. the recovery of sparse signals from a certain number of linear measurements when the signal support is partially known. The reconstruction method is based on a convex minimization program coined "innovative Basis Pursuit DeNoise" (or iBPDN). Under the common $\ell_2$-fidelity constraint made on the available measurements, this optimization promotes the ($\ell_1$) sparsity of the candidate signal over the complement of this known part. In particular, this paper extends the results of Vaswani et al. to the cases of compressible signals and noisy measurements. Our proof relies on a small adaption of the results of Candes in 2008 for characterizing the stability of the Basis Pursuit DeNoise (BPDN) program. We emphasize also an interesting link between our method and the recent work of Davenport et al. on the $δ$-stable embeddings and the "cancel-then-recover" strategy applied to our problem. For both approaches, reconstructions are indeed stabilized when the sensing matrix respects the Restricted Isometry Property for the same sparsity order. We conclude by sketching an easy numerical method relying on monotone operator splitting and proximal methods that iteratively solves iBPDN.

研究动机与目标

• 将压缩感知的理论稳定性扩展至部分信号支撑已知的情形。
• 分析在噪声测量和可压缩信号条件下，改进型基追踪去噪（BPDN）公式化方法的性能。
• 证明iBPDN在相同RIP条件下可获得与标准BPDN相似的稳定性界。
• 将iBPDN与先取消后恢复策略联系起来，并表明二者在δ-稳定嵌入下具有相同的稳定性。
• 提供一种可数值实现的算法，基于单调算子分裂与邻近方法。

提出的方法

• 将iBPDN提出为一个凸优化问题，通过在已知支撑集T的补集上最小化信号的ℓ₁-范数。
• 采用ℓ₂-保真度约束以确保测量一致性：||y - Φx||₂ ≤ ε。
• 应用邻近分裂技术，特别是Douglas-Rachford方法，以迭代方式求解iBPDN问题。
• 在Tᶜ上使用ℓ₁-范数的邻近算子，对应于对未知分量进行软阈值处理。
• 通过正交投影到测量一致性管C(ε) = {v : ||y - Φv||₂ ≤ ε}来实现约束强制。
• 依赖于s + 2k阶的受限等距性（RIP），且δs+2k < 1作为稳定性充分条件。

实验结果

研究问题

• RQ1 在部分信号支撑已知的情况下，压缩感知能否在噪声测量和可压缩信号下保持稳定性？
• RQ2 iBPDN在重建误差界方面与标准BPDN相比表现如何？
• RQ3 iBPDN与先取消后恢复策略在稳定性及RIP要求方面有何关系？
• RQ4 与先取消后恢复方法相比，iBPDN的公式化是否对测量噪声具有鲁棒性？
• RQ5 iBPDN能否通过邻近算法高效求解并保证收敛？

主要发现

• 在δs+2k < 1条件下，iBPDN方法可实现对可压缩信号的稳定恢复，且误差界与最优k项逼近误差成正比。
• 未知部分的重建误差满足||xTᶜ - x*Tᶜ||₂ ≤ Ds,k × e₀(r,k)，其中Ds,k < 2(1 + (√2 - 1)δs+2k)/(1 - (√2 + 1)δs+2k)。
• 稳定性条件δs+2k < 1弱于Davenport等人提出的结果（δs+2k < (√2 - 1)/√2），但两种方法均具有相同的基于RIP的稳定性保证。
• iBPDN对测量噪声具有稳定性，而先取消后恢复策略则需要额外的噪声边界约束。
• 所提出的Douglas-Rachford算法收敛至iBPDN解，且Tᶜ上的邻近算子通过分量式软阈值实现。