[论文解读] A Generalized Sampling Theorem for Stable Reconstructions in Arbitrary Bases

Ben Adcock, Anders C. Hansen|arXiv (Cornell University)|Jul 12, 2010

Mathematical Analysis and Transform Methods参考文献 20被引用 4

一句话总结

本文提出了一种广义采样框架，可在任意Riesz基中实现稳定、精确的函数重构，从另一组Riesz基的采样中恢复，克服了先前方法中的不稳定性问题。关键贡献是一种可证明稳定的重构方法，利用函数结构的先验知识（如小波或多项式基下的稀疏性），显著优于经典采样方法，在数值示例中实现了高达10,000倍的误差降低。

ABSTRACT

We introduce a generalized framework for sampling and reconstruction in separable Hilbert spaces. Specifically, we establish that it is always possible to stably reconstruct a vector in an arbitrary Riesz basis from sufficiently many of its samples in any other Riesz basis. This framework can be viewed as an extension of that of Eldar et al. However, whilst the latter imposes stringent assumptions on the reconstruction basis, and may in practice be unstable, our framework allows for recovery in any (Riesz) basis in a manner that is completely stable. Whilst the classical Shannon Sampling Theorem is a special case of our theorem, this framework allows us to exploit additional information about the approximated vector (or, in this case, function), for example sparsity or regularity, to design a reconstruction basis that is better suited. Examples are presented illustrating this procedure.

研究动机与目标

• 解决先前广义采样框架在从采样中重构信号时存在的不稳定性与限制性假设问题。
• 仅使用来自另一组Riesz基的逐点采样，实现在任意Riesz基中的稳定重构，且不依赖于基的选择。
• 利用结构先验知识（如小波或多项式基下的稀疏性）提升采样重构的精度，超越经典香农采样定理。
• 为无限维采样问题提供一个具有可证明稳定性与收敛性保证的理论框架。
• 通过数值示例展示实际优越性，特别是在减轻吉布斯现象以及提升不连续或非带限函数的逼近性能方面。

提出的方法

• 在可分希尔伯特空间中构建广义采样框架，允许从一组Riesz基的采样中重构到另一组任意Riesz基中。
• 通过采样基与重构基函数之间的内积定义算子 $ \widehat{U} $，将采样映射为目标基中的系数。
• 使用有限维投影 $ P_n $ 和 $ P_m $ 将无限维问题截断为稳定且条件良好的线性系统。
• 求解系统 $ \widehat{A} \tilde{\beta} = P_n \widehat{U}^* P_m \eta_f $，其中 $ \widehat{A} = P_n \widehat{U}^* P_m \widehat{U} P_n \big|_{P_n \mathcal{H}} $，通过谱界确保稳定性。
• 通过 $ \widehat{A} $ 的逆计算系数 $ \tilde{\beta} $，并利用条件数界（例如 $ \leq 0.9022 $）保证数值稳定性。
• 通过所选重构基 $ \{\psi_j\} $ 重构函数 $ \tilde{f} = \sum_{j=1}^n \tilde{\beta}_j \mathcal{F}\psi_j $。

实验结果

研究问题

• RQ1 能否在不施加对重构基的限制性假设下，仅从另一组Riesz基的采样中实现任意Riesz基中的稳定重构？
• RQ2 如何利用函数结构的先验知识（如小波或多项式基下的稀疏性）来提升采样重构性能，超越香农定理？
• RQ3 在使用非理想基（如哈尔小波）和有限采样时，重构的稳定性行为如何？
• RQ4 该框架在不连续或非带限信号中，能在多大程度上减少吉布斯型振荡并改善逼近误差？
• RQ5 该框架能否推广至非线性、压缩感知风格的重构，在无限维设置下使用子采样数据？

主要发现

• 所提出的框架可实现从另一组Riesz基采样中在任意Riesz基中的稳定重构，且对条件数（如逆算子的条件数 $ \leq 0.9022 $）具有可证明的界。
• 对于具有不连续分量的函数，新重构方法相比经典sinc基重构，逼近误差降低了约10,000倍。
• 该方法通过使用哈尔小波作为重构基，成功减轻了不连续函数傅里叶重构中的吉布斯现象。
• 数值结果表明，重构误差 $ |f - \tilde{f}| $ 显著小于 $ |f - f_N| $，尤其在 $ |t| $ 较大时，经典采样方法失效。
• 该框架推广了香农采样定理，并在重构基与函数的稀疏性或正则性相匹配时，可实现更优的重构性能。
• 理论分析证实，只要满足Riesz基条件，即使重构基并非采样基的对偶基，该方法仍保持稳定。