[论文解读] Analysis $\ell_1$-recovery with frames and Gaussian measurements

Holger Rauhut, Maryia Kabanava|arXiv (Cornell University)|Jun 6, 2013

Sparse and Compressive Sensing Techniques参考文献 32被引用 9

一句话总结

本文为使用基于框架的分析算子从高斯测量中重构余稀疏信号时的分析 $μat$-最小化，建立了非均匀和均匀的恢复保证。它提供了精确的测量数下限，以实现精确恢复、近似稀疏性下的稳定性以及对噪声的鲁棒性，相较于Rudelson和Vershynin在稀疏情形下的先前结果有所改进，并将其扩展至分析稀疏性模型。

ABSTRACT

This paper provides novel results for the recovery of signals from undersampled measurements based on analysis $\ell_1$-minimization, when the analysis operator is given by a frame. We both provide so-called uniform and nonuniform recovery guarantees for cosparse (analysis-sparse) signals using Gaussian random measurement matrices. The nonuniform result relies on a recovery condition via tangent cones and the uniform recovery guarantee is based on an analysis version of the null space property. Examining these conditions for Gaussian random matrices leads to precise bounds on the number of measurements required for successful recovery. In the special case of standard sparsity, our result improves a bound due to Rudelson and Vershynin concerning the exact reconstruction of sparse signals from Gaussian measurements with respect to the constant and extends it to stability under passing to approximately sparse signals and to robustness under noise on the measurements.

研究动机与目标

• 在基于框架的分析稀疏性背景下，建立分析 $μat$-最小化的非均匀和均匀恢复保证。
• 确定成功恢复余稀疏信号所需的最少高斯测量数。
• 将现有稀疏信号恢复结果扩展至基于框架变换的分析稀疏性模型。
• 分析近似稀疏性下的稳定性以及测量噪声下的鲁棒性。
• 通过理论和数值分析，量化框架界对恢复性能的影响。

提出的方法

• 使用切锥分析，基于余稀疏集的几何结构推导非均匀恢复条件。
• 应用零空间性质的分析版本，建立均匀恢复保证。
• 通过有界余稀疏集切锥上最小测量范数的方法，分析高斯随机测量矩阵。
• 利用浓度不等式和框架性质，推导测量需求的概率下界。
• 采用基于框架的分析算子 $Ω$ 建模具有稀疏变换的信号，如总变差或小波表示。
• 通过使用合成数据和MATLAB中CVX优化工具包的数值实验验证理论结果。

实验结果

研究问题

• RQ1 通过分析 $μat$-最小化恢复余稀疏信号，所需的最少高斯测量数是多少？
• RQ2 框架界比 $B/A$ 如何影响分析 $μat$-最小化算法的恢复性能？
• RQ3 恢复保证能否扩展至近似稀疏信号和含噪声测量？
• RQ4 在测量需求方面，非均匀与均匀恢复条件有何差异？
• RQ5 理论测量复杂度的上界在多大程度上与典型实际性能相符？

主要发现

• 本文证明，以高概率实现 $s$-余稀疏信号的均匀恢复，$m \gtrsim s \log(p/s)$ 个测量数已足够，其中 $s$ 为 $\Omega x$ 中非零项的数量。
• 非均匀恢复条件确保：当测量矩阵在余稀疏集的切锥上满足某种受限等距性质时，可实现高概率的精确恢复。
• 通过分析版本的零空间性质推导出均匀恢复保证，该性质在所述测量数下限条件下对高斯矩阵成立。
• 理论界改进了Rudelson-Vershynin在稀疏信号恢复中的常数，并将其扩展至分析稀疏性模型。
• 数值实验表明，分析 $μat$-最小化能成功从高斯测量中恢复余稀疏信号，且随着框架界比 $B/A$ 增大，性能逐渐下降，但下降程度低于理论预测。
• 恢复误差受一个与 $\sigma_s(\Omega x)_1 / \sqrt{s}$ 成正比的项以及一个涉及 $\eta$ 的噪声项所限制，表明具有稳定性和鲁棒性。