[论文解读] Breaking the coherence barrier: A new theory for compressed sensing

Ben Adcock, Anders C. Hansen+2 more|arXiv (Cornell University)|Feb 4, 2013

Sparse and Compressive Sensing Techniques参考文献 80被引用 65

一句话总结

本文提出了一种压缩感知的新理论框架，用渐近稀疏性、渐近相干性和多级随机子采样替代了传统的稀疏性、非相干性和均匀随机采样。该理论解释了压缩感知在实际应用（如磁共振成像和计算机断层扫描）中取得的经验证据成功，而这些应用在经典理论中因缺乏非相干性而失败。理论表明，结构化采样策略能显著提升重建质量与测量效率。

ABSTRACT

This paper provides an extension of compressed sensing which bridges a substantial gap between existing theory and its current use in real-world applications. It introduces a mathematical framework that generalizes the three standard pillars of compressed sensing - namely, sparsity, incoherence and uniform random subsampling - to three new concepts: asymptotic sparsity, asymptotic incoherence and multilevel random sampling. The new theorems show that compressed sensing is also possible, and reveals several advantages, under these substantially relaxed conditions. The importance of this is threefold. First, inverse problems to which compressed sensing is currently applied are typically coherent. The new theory provides the first comprehensive mathematical explanation for a range of empirical usages of compressed sensing in real-world applications, such as medical imaging, microscopy, spectroscopy and others. Second, in showing that compressed sensing does not require incoherence, but instead that asymptotic incoherence is sufficient, the new theory offers markedly greater flexibility in the design of sensing mechanisms. Third, by using asymptotic incoherence and multi-level sampling to exploit not just sparsity, but also structure, i.e. asymptotic sparsity, the new theory shows that substantially improved reconstructions can be obtained from fewer measurements.

研究动机与目标

• 弥合理论压缩感知与实际应用中逆问题（如磁共振成像和计算机断层扫描）成功之间的差距。
• 解决经典压缩感知理论在感知算子与稀疏化基之间存在相干性时的失效问题。
• 为非均匀、结构感知的采样策略提供数学上严谨的基础，这些策略优于均匀随机子采样。
• 表明受限等距性（RIP）既非必要也非充分条件，而渐近相干性已足够。
• 确立通过多级采样利用信号结构可实现更优重建，且所需测量数少于通用感知算子。

提出的方法

• 引入渐近稀疏性作为有限维稀疏性的推广，允许信号在尺度极限下保持稀疏。
• 将渐近相干性定义为严格非相干条件的松弛，使傅里叶变换或Radon变换等结构化、非随机感知算子得以使用。
• 提出多级随机子采样，根据信号结构在不同频率或尺度层级上自适应调整采样率。
• 采用新颖的相干性估计框架，结合尺度相关衰减率与加权范数，以界定重建误差。
• 利用柯西-施瓦茨不等式与几何级数估计，推导在新框架下稳定恢复的充分条件。
• 将理论扩展至有限维与无限维设置，解决成像中常见的逆犯罪与连续模型问题。

实验结果

研究问题

• RQ1 为何在磁共振成像和计算机断层扫描等应用中，压缩感知在违反经典理论非相干性假设的情况下仍能实际奏效？
• RQ2 能否构建一个理论框架，解释非均匀、结构感知采样模式在实际成像中的成功？
• RQ3 受限等距性（RIP）在实际逆问题中稳定恢复的必要性或充分性在多大程度上成立？
• RQ4 如何利用稀疏性之外的信号结构来提升重建质量并减少测量需求？
• RQ5 感知算子的通用性是否真正可取？当与渐近相干性结合时，结构化非通用算子是否能实现更优性能？

主要发现

• 新理论解释了压缩感知在相干性实际成像问题（如磁共振成像、计算机断层扫描和电子显微镜）中的经验成功，而经典理论在此类问题中失效。
• 渐近相干性足以实现稳定恢复，允许使用标准感知算子（如傅里叶变换）而无需随机化。
• 针对信号结构定制的多级随机子采样，即使测量数更少，也能显著优于均匀随机采样。
• 该理论表明，最优采样策略不仅依赖于稀疏性，还依赖于信号的分层结构，与经典假设相矛盾。
• 在许多实际应用中，受限等距性（RIP）不成立，但在新框架下其缺失并不妨碍成功恢复。
• 该框架可利用快速变换（如FFT、Hadamard变换）实现计算高效的重建，适用于大规模成像问题。