[论文解读] A robust sub-linear time R-FFAST algorithm for computing a sparse DFT

Sameer Pawar, Kannan Ramchandran|arXiv (Cornell University)|Jan 1, 2015

Sparse and Compressive Sensing Techniques参考文献 15被引用 6

一句话总结

本文提出R-FFAST，一种用于在白高斯噪声污染下计算稀疏离散傅里叶变换（DFT）的鲁棒亚线性时间算法。通过采用固定、确定性的采样结构，并结合随机移位的延迟链，R-FFAST 实现了 $O(k\log^3 n)$ 个采样点和 $O(k\log^4 n)$ 次运算，即使在噪声环境下也能实现对 $k$-稀疏DFT的稳定恢复，具备强大的理论保证，并在非均匀支持信号（如磁共振成像）中表现出良好的实际效果。

ABSTRACT

The Fast Fourier Transform (FFT) is the most efficiently known way to compute the Discrete Fourier Transform (DFT) of an arbitrary n-length signal, and has a computational complexity of O(n log n). If the DFT X of the signal x has only k non-zero coefficients (where k < n), can we do better? In [1], we addressed this question and presented a novel FFAST (Fast Fourier Aliasing-based Sparse Transform) algorithm that cleverly induces sparse graph alias codes in the DFT domain, via a Chinese-Remainder-Theorem (CRT)-guided sub-sampling operation of the time-domain samples. The resulting sparse graph alias codes are then exploited to devise a fast and iterative onion-peeling style decoder that computes an n length DFT of a signal using only O(k) time-domain samples and O(klog k) computations. The FFAST algorithm is applicable whenever k is sub-linear in n (i.e. k = o(n)), but is obviously most attractive when k is much smaller than n. In this paper, we adapt the FFAST framework of [1] to the case where the time-domain samples are corrupted by a white Gaussian noise. In particular, we show that the extended noise robust algorithm R-FFAST computes an n-length k-sparse DFT X using O(klog ^3 n) noise-corrupted time-domain samples, in O(klog^4n) computations, i.e., sub-linear time complexity. While our theoretical results are for signals with a uniformly random support of the non-zero DFT coefficients and additive white Gaussian noise, we provide simulation results which demonstrates that the R-FFAST algorithm performs well even for signals like MR images, that have an approximately sparse Fourier spectrum with a non-uniform support for the dominant DFT coefficients.

研究动机与目标

• 开发一种在时间域样本受白高斯噪声污染时，用于计算 $k$-稀疏信号DFT的鲁棒亚线性时间算法。
• 通过使用固定采样结构而非随机测量系统，在实际硬件约束下保持计算效率和采样复杂度。
• 将无噪声的FFAST框架扩展至处理真实世界噪声和非均匀支持的稀疏信号（如磁共振成像中的信号）。
• 通过限制等距性质（RIP）和互不相干性，理论保证在噪声下对 $k$-稀疏DFT的稳定恢复。
• 尽管理论假设非零DFT系数在均匀随机支持下分布，仍需在实际信号（如MR图像）上展示算法的可行性和鲁棒性。

提出的方法

• R-FFAST算法采用固定、确定性的采样结构，每级包含多个延迟链，每个延迟链在子采样前应用不同的随机循环移位。
• 延迟链中的随机移位确保有效测量矩阵具有良好的互不相干性和受限等距性质（RIP），从而在噪声下实现稳定恢复。
• 前端通过中国剩余定理（CRT）引导的多级子采样过程，计算子采样DFT输出。
• 后端剥除解码器通过利用子采样输出中的混叠模式，迭代恢复非零DFT系数。
• 算法对每个DFT频点仅处理常数次，即使在噪声存在下也保持较低计算开销。
• 对于每个频率分量簇，单点估计器使用 $O(\log^{1/3}n)$ 个采样点每簇，以高概率估计频率。

实验结果

研究问题

• RQ1 FFAST框架能否在保持亚线性时间与采样复杂度的前提下，扩展至处理含噪声的时间域样本？
• RQ2 如何设计固定采样结构，以确保在稀疏DFT计算中对加性白高斯噪声的鲁棒性？
• RQ3 在高概率下实现 $k$-稀疏DFT在噪声下的稳定恢复，所需采样点数和计算复杂度是多少？
• RQ4 该算法在非零DFT系数非均匀分布的信号（如MR图像）上是否保持性能？
• RQ5 在固定采样约束下，延迟链中的随机移位能否确保测量矩阵满足受限等距性质（RIP）和互不相干性？

主要发现

• R-FFAST 使用 $O(k\log^3 n)$ 个含噪声的时间域采样点和 $O(k\log^4 n)$ 次复数运算，计算长度为 $n$ 的 $k$-稀疏DFT，实现亚线性时间复杂度。
• 对于非零DFT系数在均匀随机支持下分布的信号，在白高斯噪声下，该算法以高概率（$1 - O(1/n^2)$）实现稳定恢复。
• 实验结果表明，R-FFAST 仅使用完整傅里叶采样点的60.18%即可成功重建 $504 \times 504$ 的脑部MR图像，证明了其对非均匀支持频谱的鲁棒性。
• 理论分析证实，延迟链中的随机移位可诱导测量矩阵具备良好的互不相干性和RIP，从而实现稳定恢复。
• 后端剥除解码器仅对每个频点处理常数次，是整体 $O(k\log^4 n)$ 计算成本的重要贡献因素。
• 一种采用随机测量系统的R-FFAST变体可实现 $O(k\log^{4/3}n)$ 个采样点和 $O(k\log^{7/3}n)$ 次运算，但本文重点聚焦于固定结构实现，以提升硬件可行性。