[论文解读] Phase Retrieval via Polytope Optimization: Geometry, Phase Transitions, and New Algorithms

Oussama Dhifallah, Christos Thrampoulidis+1 more|arXiv (Cornell University)|May 24, 2018

Advanced X-ray Imaging Techniques参考文献 25被引用 27

一句话总结

本文通过多面体优化对PhaseMax这一基于凸优化的相位恢复算法进行了几何分析，揭示了恢复性能在样本复杂度和初始猜测质量函数下的精确相变现象。论文提出了一种新型非凸迭代算法PhaseLamp，其具有可证明的更优恢复保证，并进一步引入了加权变体，在高斯测量和傅里叶型测量上均优于当前最先进方法。

ABSTRACT

We study algorithms for solving quadratic systems of equations based on optimization methods over polytopes. Our work is inspired by a recently proposed convex formulation of the phase retrieval problem, which estimates the unknown signal by solving a simple linear program over a polytope constructed from the measurements. We present a sharp characterization of the high-dimensional geometry of the aforementioned polytope under Gaussian measurements. This characterization allows us to derive asymptotically exact performance guarantees for PhaseMax, which also reveal a phase transition phenomenon with respect to its sample complexity. Moreover, the geometric insights gained from our analysis lead to a new nonconvex formulation of the phase retrieval problem and an accompanying iterative algorithm, which we call PhaseLamp. We show that this new algorithm has superior recovery performance over the original PhaseMax method. Finally, as yet another variation on the theme of performing phase retrieval via polytope optimization, we propose a weighted version of PhaseLamp and demonstrate, through numerical simulations, that it outperforms several state-of-the-art algorithms under both generic Gaussian measurements as well as more realistic Fourier-type measurements that arise in phase retrieval applications.

研究动机与目标

• 提供基于多面体优化的PhaseMax算法在相位恢复中的精确高维性能分析。
• 理解在高斯采样下，由幅值测量构成的可行多面体的几何结构。
• 确定决定信号成功恢复的样本复杂度相变边界。
• 基于多面体分析的几何洞见，提出一种新型非凸算法PhaseLamp。
• 通过迭代优化与加权变体提升恢复性能，并在合成数据与真实的傅里叶型测量上进行验证。

提出的方法

• 利用随机矩阵理论与Gordon比较定理，分析由 |a_i^T x| ≤ y_i 定义的高维可行多面体的几何结构。
• 基于过采样比 α = m/n 与输入余弦相似度 ρ_init，推导出PhaseMax的归一化均方误差（NMSE）的渐近精确表征。
• 提出PhaseLamp作为PhaseMax的非凸替代方法，通过求解一系列多面体约束线性规划问题，迭代优化解。
• 引入PhaseLamp的加权版本，根据测量的可靠性或先验知识自适应调整其影响权重。
• 利用测度集中与一致收敛性论证，证明优化目标的渐近收敛性，使其趋近于总体极限。
• 采用发散惩罚参数的正则化策略，确保在高维下解路径的一致性。

实验结果

研究问题

• RQ1 在样本复杂度与初始猜测质量的函数下，PhaseMax算法成功恢复信号的确切相变边界是什么？
• RQ2 测量多面体的高维几何结构如何影响凸相位恢复算法的性能？
• RQ3 从PhaseMax分析中获得的几何洞见是否能导出更高效的非凸相位恢复算法？
• RQ4 所提出的PhaseLamp算法在NMSE与样本复杂度方面是否优于PhaseMax？
• RQ5 PhaseLamp的加权变体是否在通用高斯测量与真实傅里叶型测量上均优于现有最先进算法？

主要发现

• 本文建立了PhaseMax性能的精确相变：当过采样比 α 超过依赖于输入余弦相似度 ρ_init 的临界阈值时，信号恢复以高概率成功。
• 在高维极限下，PhaseMax的归一化均方误差（NMSE）以概率收敛至一个由 α 与 ρ_init 完全决定的确定性极限。
• PhaseLamp是一种基于几何洞见的非凸迭代算法，其恢复保证在理论上优于PhaseMax，尤其在低信噪比环境下表现更优。
• 在高斯测量与傅里叶型测量的数值模拟中，加权PhaseLamp变体显著优于PhaseMax及其他最先进算法。
• 理论分析证实，正则化优化问题的解路径在维度 n → ∞ 时以概率收敛至真实信号方向。
• 通过紧集上的一致集中不等式与连续性论证，建立了经验优化目标向其总体极限收敛的结论。