[论文解读] A Fast Non-Gaussian Bayesian Matching Pursuit Method for Sparse Reconstruction

Mudassir Masood, Tareq Y. Al-Naffouri|arXiv (Cornell University)|Jun 19, 2012

Sparse and Compressive Sensing Techniques参考文献 9被引用 6

一句话总结

该论文提出nGpFBMP，一种用于稀疏信号重建的快速非高斯贝叶斯匹配追踪方法，无需了解信号统计特性。它采用按序递归的贪婪更新与贝叶斯估计，即使在信号先验为非高斯或未知时，也能实现鲁棒、低复杂度的最小均方误差（MMSE）估计，且在各类信号类型与稀疏度水平下，其精度与运行时间均优于现有方法。

ABSTRACT

A fast matching pursuit method using a Bayesian approach is introduced for sparse signal recovery. This method, referred to as nGpFBMP, performs Bayesian estimates of sparse signals even when the signal prior is non-Gaussian or unknown. It is agnostic on signal statistics and utilizes a priori statistics of additive noise and the sparsity rate of the signal, which are shown to be easily estimated from data if not available. nGpFBMP utilizes a greedy approach and order-recursive updates of its metrics to find the most dominant sparse supports to determine the approximate minimum mean square error (MMSE) estimate of the sparse signal. Simulation results demonstrate the power and robustness of our proposed estimator.

研究动机与目标

• 开发一种在信号先验为非高斯或未知时仍有效的稀疏信号重建方法。
• 与需要完整掌握信号与噪声统计特性的现有贝叶斯方法相比，降低计算复杂度。
• 实现对信号与噪声超参数初始估计的独立性，保持鲁棒性能。
• 仅利用稀疏度率与噪声统计信息，即可实现高精度的最小均方误差（MMSE）估计，而这些参数可从数据中估计得出。
• 在重建精度与计算效率两方面，证明其优于当前最先进的方法，如FBMP与L1-优化。

提出的方法

• 该方法采用贪婪的、按序递归的匹配追踪框架，迭代识别最显著的稀疏信号分量。
• 利用贝叶斯估计计算稀疏信号的近似MMSE估计，而无需假设高斯先验。
• 该算法对信号统计特性不敏感，仅需稀疏度率与加性噪声方差，两者均可从数据中估计。
• 通过分量混合表示实现顺序模型扩展，递归更新度量以保持低计算复杂度。
• 该方法通过避免显式分布假设，利用对信号与噪声参数的稳健经验估计，实现对非高斯先验的利用。
• 其集成了快速递归更新策略，在保持低复杂度的同时实现高重建精度。

实验结果

研究问题

• RQ1 贝叶斯匹配追踪方法是否能在不假设信号为高斯先验的情况下，实现鲁棒的稀疏信号重建？
• RQ2 与基于高斯的贝叶斯方法及凸优化方法相比，非高斯贝叶斯方法在重建精度与运行时间方面的表现如何？
• RQ3 所提方法对信号与噪声超参数初始估计的敏感程度如何？
• RQ4 稀疏度率与噪声方差能否从数据中可靠估计，从而使该方法在无先验信号统计知识的情况下运行？
• RQ5 该方法在真实世界信号（如图像与非i.i.d.输入）上的表现如何？

主要发现

• 对于高斯i.i.d.输入，nGpFBMP的平均NMSE为-31.103 dB；对于非i.i.d.均匀输入，为-30 dB，显著优于FBMP在相同条件下的-20.55 dB与-23.87 dB。
• 对于相同信号类型，nGpFBMP将Mondrian图像的重建时间从FBMP的19.36秒降低至平均6.8秒，展现出优越的计算效率。
• 该算法性能几乎不受稀疏参数$p$变化的影响，$p$值变化时仅出现轻微NMSE退化，表明其具有强鲁棒性。
• 当初始超参数接近真实值时，nGpFBMP保持一致性能，而FBMP则表现出性能提升，证实nGpFBMP对初始估计的独立性。
• 在多尺度图像重建中，nGpFBMP在所有测试图像（包括指纹、细条纹与Mondrian图像）上均实现了更低的NMSE与更短的重建时间，优于FBMP。
• 该方法在非i.i.d.与非高斯信号上表现出鲁棒性，性能退化极小，验证了其对信号分布假设的无偏性。