[论文解读] Bespoke Fractal Sampling Patterns for Discrete Fourier Space via the Kaleidoscope Transform

Jacob M. White, ‪Stuart Crozier‬+1 more|arXiv (Cornell University)|Aug 2, 2021

Sparse and Compressive Sensing Techniques参考文献 21被引用 3

一句话总结

本文引入了万花筒变换（KT）以在离散傅里叶变换（DFT）空间中数学化解释混沌感知（ChaoS）采样模式的分形特性。通过将模算术缩放与KT操作关联，证明了DFT空间中的周期性线条可生成自相似的分形图案，从而实现可定制的、面向特定任务的分形采样模式，显著提升稀疏磁共振成像（MRI）重建性能，超越传统压缩感知方法。

ABSTRACT

Sampling strategies are important for sparse imaging methodologies, especially those employing the discrete Fourier transform (DFT). Chaotic sensing is one such methodology that employs deterministic, fractal sampling in conjunction with finite, iterative reconstruction schemes to form an image from limited samples. Using a sampling pattern constructed entirely from periodic lines in DFT space, chaotic sensing was found to outperform traditional compressed sensing for magnetic resonance imaging; however, only one such sampling pattern was presented and the reason for its fractal nature was not proven. Through the introduction of a novel image transform known as the kaleidoscope transform, which formalises and extends upon the concept of downsampling and concatenating an image with itself, this paper: (1) demonstrates a fundamental relationship between multiplication in modular arithmetic and downsampling; (2) provides a rigorous mathematical explanation for the fractal nature of the sampling pattern in the DFT; and (3) leverages this understanding to develop a collection of novel fractal sampling patterns for the 2D DFT with customisable properties. The ability to design tailor-made fractal sampling patterns expands the utility of the DFT in chaotic imaging and may form the basis for a bespoke chaotic sensing methodology, in which the fractal sampling matches the imaging task for improved reconstruction.

研究动机与目标

• 为离散傅里叶变换（DFT）空间中观察到的混沌感知（ChaoS）采样模式的分形结构提供严谨的数学解释。
• 形式化并扩展通过新颖的万花筒变换（KT）实现图像下采样与拼接的概念。
• 建立一种系统化方法，用于生成具有可调几何与拓扑特性的定制分形采样模式，适用于稀疏成像。
• 实现一种量身定制的混沌感知方法，使采样模式可针对特定成像任务进行优化，从而提升重建性能。

提出的方法

• 万花筒变换（KT）被定义为一种数学运算，通过下采样图像并拼接其重复、缩放后的副本，形式化了通过缩放与重复实现自相似性的直观概念。
• 本文证明了DFT域中的某些缩放操作在数学上等价于KT操作，将模算术乘法与图像自相似性联系起来。
• 通过使用各种Lp范数或多边形准范数对法里向量（Farey vectors）进行排序，定义中心图案，再通过模乘法生成周期性线条，构建分形采样模式。
• 通过叠加基底图案的缩放、反射与变换版本生成新图案，特别关注形如mN ± 1的乘法因子，以近似单位展宽KT（unity-smear KT）。
• 该方法支持非正方形网格与高维空间，并可通过基于范数的排序实现任意中心形状（如超椭圆、星形多边形）。
• 显式构造方法被扩展至非线性轨迹（如螺旋线），通过仅选择能产生单位展宽KT行为的倍数实现。

实验结果

研究问题

• RQ1 为何ChaoS采样模式在DFT空间中虽由周期性线条构成，却表现出自相似的分形结构？
• RQ2 万花筒变换（KT）如何被形式化定义，并与DFT域中的缩放操作建立关联？
• RQ3 通过模算术生成的采样模式，其数学条件为何能确保产生具有自相似、重复结构的分形？
• RQ4 ChaoS的分形特性能否被推广，以支持超越圆形或径向对称性的自定义中心图案？
• RQ5 该框架如何扩展以支持非线性k空间轨迹（如螺旋线），同时保持分形与自相似特性？

主要发现

• 万花筒变换（KT）在数学上被证明等价于DFT域中的特定缩放操作，为模算术与图像自相似性之间建立了正式联系。
• ChaoS采样模式的分形结构源于通过mN ± 1因子进行模乘法的KT操作的重复应用。
• 在257×257网格上，ChaoS分形的闵可夫斯基-布劳利冈维数（Minkowski-Bouligand dimension）测量为1.79，证实其分形特性。
• 通过使用不同的Lp范数（如L0.5、L1、L2）或多边形准范数，可将分形的中心图案变形为超椭圆或星形多边形。
• 成功在727×727、1025×2049与1069×1069的网格上生成了新型分形图案，证明了该方法在不同维度与形状下的灵活性。
• 该框架可从非线性轨迹（如螺旋线）构造分形采样模式，通过仅选择能产生单位展宽KT行为的倍数实现，从而扩展了混沌感知的应用范围。