[论文解读] Compressed BC-LISTA via Low-Rank Convolutional Decomposition

Han Wang, Yhonatan Kvich+3 more|arXiv (Cornell University)|Jan 30, 2026

Ultrasound Imaging and Elastography被引用 0

一句话总结

该论文提出了一种用于多通道稀疏信号恢复的经压缩前向模型，采用低秩卷积分解，并利用它构建 C-BC-LISTA，一种轻量、高效的基于 LISTA 的求解器，在多通道超声成像中以更少的参数和更快的收敛速度优于现有基线。

ABSTRACT

We study Sparse Signal Recovery (SSR) methods for multichannel imaging with compressed {forward and backward} operators that preserve reconstruction accuracy. We propose a Compressed Block-Convolutional (C-BC) measurement model based on a low-rank Convolutional Neural Network (CNN) decomposition that is analytically initialized from a low-rank factorization of physics-derived forward/backward operators in time delay-based measurements. We use Orthogonal Matching Pursuit (OMP) to select a compact set of basis filters from the analytic model and compute linear mixing coefficients to approximate the full model. We consider the Learned Iterative Shrinkage-Thresholding Algorithm (LISTA) network as a representative example for which the C-BC-LISTA extension is presented. In simulated multichannel ultrasound imaging across multiple Signal-to-Noise Ratios (SNRs), C-BC-LISTA requires substantially fewer parameters and smaller model size than other state-of-the-art (SOTA) methods while improving reconstruction accuracy. In ablations over OMP, Singular Value Decomposition (SVD)-based, and random initializations, OMP-initialized structured compression performs best, yielding the most efficient training and the best performance.

研究动机与目标

• 在时间延迟基测量中的压缩前向与后向算子下进行稀疏信号恢复的动机。
• 使用解析算子的低秩卷积分解来开发压缩前向模型。
• 利用压缩前向模型实例化一个轻量化的 LISTA 变体（C-BC-LISTA）用于多通道成像。
• 展示相比 SOTA 基线更高的重建精度以及更少的参数量和存储需求。
• 提供消融研究以识别初始化、基滤波器数量、以及前向/后向模型可训练性对结果的影响。

提出的方法

• 为基于时间延迟的 FMC 多通道超声测量提出一个分切片的卷积前向模型。
• 将前向滤波权重矩阵 W 分解为 W ≈ C B，其中 B 由通过 OMP 选取的 M 个基滤波器组成，C 包含混合系数。
• 将该分解实现为一个两层的低秩 CNN 模块：第一层使用基滤波器 B；第二层执行具有混合系数 C 的 1×1 卷积。
• 通过 OMP 以及（可选的）SVD 获得压缩的基 B 与混合 C，B 的行来自 W 以保持可解释性。
• 通过将每一步 ISTA 替换为两层的压缩卷积模块来扩展 BC-LISTA 为 C-BC-LISTA，同时保持后向运算的精确伴随操作。
• 可训练选项包括前向/后向核是固定还是可训练，以及分块参数是共享还是逐块独立。

实验结果

研究问题

• RQ1 低秩、卷积分解的前向模型是否能够在多通道成像中实现压缩但仍然准确的稀疏信号恢复？
• RQ2 压缩后的 BC-LISTA 是否能在参数和存储远小于现有 LISTA 变体的情况下实现类似或更好的重建？
• RQ3 哪种初始化与压缩策略（例如基于 OMP 的基向量选择）能带来最佳的训练效率与收敛行为？
• RQ4 在无噪声与不同信噪比条件下，C-BC-LISTA 在多通道超声成像中的表现如何？
• RQ5 基向滤波数量对收敛速度和重建精度有何影响？

主要发现

• C-BC-LISTA 在显著减少参数和模型大小的同时，提升了重建精度，相较于 SOTA 方法具有优势。
• 基于 OMP 初始化的结构化压缩在消融研究中表现最佳，训练高效且收敛性更好。
• 增加基滤波器数量可以加速收敛，主要影响速度而非误差下限；BF-16 在性能上常表现出强劲效果。
• forward 与 backward 模型的解析初始化可实现稳定且快速的收敛；冻结前向模型会放慢训练。
• C-BC-LISTA 在收敛速度和验证损失方面通常优于 MLP-LISTA、ALISTA 与 BC-LISTA。
• 经压缩的变体在显著降低内存需求的同时仍具竞争力的性能。