[论文解读] Breaking the coherence barrier: asymptotic incoherence and asymptotic sparsity in compressed sensing

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

Sparse and Compressive Sensing Techniques参考文献 39被引用 41

一句话总结

本文提出了一种新的理论框架，通过利用渐近无关性和渐近稀疏性，克服了压缩感知中的相干性障碍，即使在传统基于相干性的界不成立时，也能实现稳定且鲁棒的信号恢复。其关键贡献在于建立了严格的数学基础，将压缩感知理论扩展至具有高度相干感知矩阵的实际场景。

ABSTRACT

In this paper we bridge the substantial gap between existing compressed sensing theory and its current use in real-world applications. 1 We do so by introducing a new mathematical framework for overcoming the so-called coherence

研究动机与目标

• 弥合压缩感知理论与实际应用之间的差距，后者受相干性限制性能。
• 解决感知矩阵中相干性带来的根本性限制，该限制限制了信号恢复的保证。
• 开发一种新的理论框架，实现在高相干条件下稳定恢复。
• 形式化渐近无关性和渐近稀疏性在实现鲁棒压缩感知中的作用。

提出的方法

• 引入渐近无关性的概念，即随着信号维度增加，感知向量之间的相干性逐渐降低。
• 将渐近稀疏性定义为：在维度趋于无穷大时，稀疏模式与感知基之间的相关性逐渐消失的条件。
• 基于随机矩阵理论和浓度不等式，建立新的理论框架，以分析在这些渐近条件下的恢复性能。
• 通过适应渐近无关性的修改版受限等距性质（RIP）建立恢复保证。
• 分析在大维度极限下感知矩阵的行为，表明当渐近无关性成立时，相干性不会阻碍稳定恢复。
• 使用概率分析证明，典型随机感知矩阵以高概率满足渐近无关性条件。

实验结果

研究问题

• RQ1 压缩感知理论能否扩展至处理实际应用中常见的高度相干感知矩阵？
• RQ2 在何种条件下，相干性不再成为信号恢复的限制因素？
• RQ3 渐近无关性和渐近稀疏性如何在高维设置下协同实现稳定恢复？
• RQ4 当传统基于相干性的RIP失效时，可推导出哪些理论保证？

主要发现

• 本文证明，即使在有限维度下感知矩阵的相干性保持远离零，渐近无关性仍可实现稳定信号恢复。
• 渐近稀疏性确保在大维度极限下，稀疏模式与感知基之间变得无关，从而在高相干条件下实现恢复。
• 理论分析表明，在渐近无关性下，受限等距性质可高概率满足，从而确保鲁棒恢复。
• 数值模拟证实，当满足渐近无关性条件时，即使相干性较高，恢复性能仍保持稳定。
• 该框架解释了为何许多实际压缩感知应用在违反经典相干性边界的情况下仍能成功。