[论文解读] Binary Fused Compressive Sensing: 1-Bit Compressive Sensing meets Group Sparsity

Xiangrong Zeng, Mário A. T. Figueiredo|arXiv (Cornell University)|Feb 20, 2014

Sparse and Compressive Sensing Techniques参考文献 40被引用 4

一句话总结

该论文提出了一种新型算法——二值融合压缩感知（BFCS），通过引入总变差（TV）正则化，增强1-bit压缩感知，以利用除稀疏性之外的分段平滑特性。通过在二值迭代硬阈值（BIHT）框架中引入基于TV的约束，BFCS在高稀疏性和高噪声条件下显著提升了信号恢复精度，相较于BIHT在信噪比（SNR）、均方误差（MSE）和位置错误率（PER）等多个指标上表现更优。

ABSTRACT

We propose a new method, {\it binary fused compressive sensing} (BFCS), to recover sparse piece-wise smooth signals from 1-bit compressive measurements. The proposed algorithm is a modification of the previous {\it binary iterative hard thresholding} (BIHT) algorithm, where, in addition to the sparsity constraint, the total-variation of the recovered signal is upper constrained. As in BIHT, the data term of the objective function is an one-sided $\ell_1$ (or $\ell_2$) norm. Experiments on the recovery of sparse piece-wise smooth signals show that the proposed algorithm is able to take advantage of the piece-wise smoothness of the original signal, achieving more accurate recovery than BIHT.

研究动机与目标

• 解决现有1-bit压缩感知方法仅依赖稀疏性的局限，这些方法可能在具有结构化平滑特性的信号上出现欠拟合。
• 利用真实应用中常见的群稀疏性和分段平滑性，如成像和传感器数据中的信号特性。
• 开发一种结合BIHT简单性与总变差正则化结构先验的鲁棒恢复算法。
• 证明引入总变差可显著提升重建精度，尤其在高噪声和高稀疏性条件下，优于标准BIHT。

提出的方法

• 提出一种新型优化框架，通过在目标函数中增加总变差（TV）约束，扩展BIHT，以促进分段平滑性。
• 在同时满足稀疏性（通过硬阈值处理）和信号总变差上界约束的前提下，最小化单边ℓ1或ℓ2数据保真项。
• 采用带自适应步长调节（τ和ε）的迭代硬阈值法，平衡收敛性与精度，其中TV惩罚项作为群稀疏性诱导正则化器。
• 采用约束优化方法，将信号投影到有界TV值集合上，确保与分段平滑信号的结构一致性。
• 提出两种变体：BFCS（ℓ1数据项）和BFCS-ℓ2（ℓ2数据项），以实现噪声建模与鲁棒性之间的灵活权衡。
• 该方法设计用于恢复幅度未知的信号，符合1-bit CS原理，同时利用结构先验提升重建保真度。

实验结果

研究问题

• RQ1 与仅依赖稀疏性的标准方法相比，引入总变差正则化是否能提升对稀疏且分段平滑信号从1-bit压缩测量中恢复的性能？
• RQ2 在不同稀疏度和噪声水平下，所提出的BFCS算法与BIHT相比，其重建精度表现如何？
• RQ3 通过TV实现的稀疏性与群稀疏性融合，是否能显著降低均方误差（MSE）、平均绝对误差（MAE）和位置错误率（PER）等重建误差指标？
• RQ4 在高噪声（σ = 4）和高稀疏性（K = 400）条件下，BFCS与BFCS-ℓ2中的ℓ1和ℓ2数据保真项如何影响算法的鲁棒性？
• RQ5 所提方法是否能有效降低位置错误率（PER）和角度误差（AGE），表明在挑战性条件下具有更优的符号模式恢复能力？

主要发现

• 在K=100、σ=1条件下，BFCS的信噪比（SNR）相比BIHT的3.82 dB提升至最高23.0 dB，显著优于BIHT。
• 在高稀疏性（K=400）和高噪声（σ=4）条件下，BFCS将均方误差（MSE）从BIHT的5.33×10⁻⁴降低至3.29×10⁻⁵，实现16倍改进。
• 在K=100、σ=1条件下，BFCS的PER为0%，而BIHT为3.7%，表明在低噪声、低稀疏条件下可实现完美的符号模式恢复。
• 在高噪声（σ=4）条件下，BFCS-ℓ2优于BFCS，将PER从BIHT的23.8%降至2.0%，展现出更强的噪声鲁棒性。
• 角度误差（AGE）指标证实，BFCS能更准确地恢复信号方向，其值从BIHT的0.338降至K=400、σ=1条件下的0.0592。
• 在高稀疏性和高噪声条件下，改进效果最为显著：BFCS将平均绝对误差（MAE）从BIHT的1.19×10⁻²降低至1.96×10⁻³，实现5.5倍减少。