[论文解读] Robust 1-bit Compressive Sensing via Gradient Support Pursuit

Sohail Bahmani, Petros T. Boufounos+1 more|arXiv (Cornell University)|Apr 24, 2013

Sparse and Compressive Sensing Techniques参考文献 16被引用 19

一句话总结

本文提出一种基于改进梯度支持追踪（GraSP）算法的鲁棒1-bit压缩感知方法，通过求解1-bit CS问题的最大似然估计公式，实现了在中低信噪比（SNR）环境下，相较于执行时间的优越重建信噪比（SNR）性能，前提是目标函数具有稳定的受限海森矩阵。该方法在性能上优于最先进的算法（如BIHT和先前工作中提出的非凸求解器）。

ABSTRACT

This paper studies a formulation of 1-bit Compressed Sensing (CS) problem based on the maximum likelihood estimation framework. In order to solve the problem we apply the recently proposed Gradient Support Pursuit algorithm, with a minor modification. Assuming the proposed objective function has a Stable Restricted Hessian, the algorithm is shown to accurately solve the 1-bit CS problem. Furthermore, the algorithm is compared to the state-of-the-art 1-bit CS algorithms through numerical simulations. The results suggest that the proposed method is robust to noise and at mid to low input SNR regime it achieves the best reconstruction SNR vs. execution time trade-off.

研究动机与目标

• 解决在噪声环境中从1-bit量化测量中重建稀疏信号的挑战。
• 开发一种鲁棒的1-bit CS优化框架，以超越现有的凸与非凸方法。
• 利用最大似然估计结合稀疏性约束，提升在噪声条件下的重建精度。
• 与最先进的1-bit CS算法相比，证明在重建SNR和计算效率方面性能更优。
• 通过稳定的受限海森矩阵条件，为所提方法的收敛性与准确性提供理论依据。

提出的方法

• 将1-bit CS问题建模为基于最大似然估计的稀疏性约束优化问题，采用由符号测量似然导出的损失函数。
• 应用改进的梯度支持追踪（GraSP）算法求解非凸优化问题，更新策略基于梯度与支持估计。
• 引入正则化项，强制信号位于单位球面上，确保在1-bit量化下实现归一化信号恢复。
• 采用稳定的受限海森矩阵条件作为算法收敛性与准确性的理论保证。
• 采用迭代支持识别与阈值化方法，在每一步中优化稀疏信号估计。
• 推导出1-bit CS问题非凸变体的显式闭式解，表明最优解为测量矩阵转置作用于符号向量后的归一化投影。

实验结果

研究问题

• RQ1 与现有凸与非凸方法相比，基于最大似然估计的1-bit CS公式是否能实现对噪声更强的鲁棒性？
• RQ2 在噪声1-bit CS设置下，改进的GraSP算法是否能在重建SNR与执行时间之间实现更优的权衡？
• RQ3 在何种条件下，所提算法能收敛到准确解？其表现与理论保证相比如何？
• RQ4 非凸1-bit CS公式是否可解析求解？其最优解的结构是什么？
• RQ5 在不同信噪比条件下，所提方法与BIHT及文献[8]中的非凸求解器相比，在重建精度与鲁棒性方面表现如何？

主要发现

• 在中低信噪比范围内，所提方法在所有测试算法中实现了最佳的重建SNR与执行时间权衡。
• 该算法在噪声环境下表现出强鲁棒性，优于BIHT与文献[8]中的非凸求解器。
• 理论分析表明，在稳定的受限海森矩阵条件下，算法能收敛至准确解。
• 非凸1-bit CS公式具有显式闭式解：即A^T y的前s个最大项的归一化结果。
• 数值仿真结果证实，即使输入信噪比较低，所提方法仍能保持高精度，表明其具备强大的抗噪声能力。
• 改进的GraSP算法成功处理了由单位球面约束引发的非凸性，实现了精确的归一化信号恢复。