[论文解读] Compressed Sensing with Coherent and Redundant Dictionaries

Emmanuel J. Candès, Yonina C. Eldar+2 more|arXiv (Cornell University)|May 14, 2010

Sparse and Compressive Sensing Techniques参考文献 3被引用 43

一句话总结

本文证明了压缩感知可通过ℓ₁-分析优化成功恢复在高度冗余且相干字典中稀疏的信号，引入了一种新的字典限制等距性条件（D-RIP），该条件推广了标准RIP，且无需满足非相干性要求。关键贡献在于在该条件下证明了稳定恢复，从而使得在成像和信号处理中使用快速、结构化的感知矩阵成为可能。

ABSTRACT

This article presents novel results concerning the recovery of signals from undersampled data in the common situation where such signals are not sparse in an orthonormal basis or incoherent dictionary, but in a truly redundant dictionary. This work thus bridges a gap in the literature and shows not only that compressed sensing is viable in this context, but also that accurate recovery is possible via an L1-analysis optimization problem. We introduce a condition on the measurement/sensing matrix, which is a natural generalization of the now well-known restricted isometry property, and which guarantees accurate recovery of signals that are nearly sparse in (possibly) highly overcomplete and coherent dictionaries. This condition imposes no incoherence restriction on the dictionary and our results may be the first of this kind. We discuss practical examples and the implications of our results on those applications, and complement our study by demonstrating the potential of L1-analysis for such problems.

研究动机与目标

• 填补压缩感知理论在过完备且相干字典中稀疏信号上的空白，这类字典在实际应用中极为常见。
• 克服标准压缩感知的局限性，后者假设信号在正交或非相干基下稀疏。
• 建立一个理论框架，确保当感知矩阵满足针对字典的新广义限制等距条件时，能够实现稳定且鲁棒的信号恢复。
• 证明ℓ₁-分析在此情境下的可行性，表明其在几何结构与数值性能上均优于ℓ₁-合成。
• 使快速、结构化的感知矩阵（如带随机符号的子采样DFT）在新框架下有效应用，同时在新D-RIP条件下保持恢复保证。

提出的方法

• 提出一种新的字典限制等距性条件（D-RIP），将标准RIP推广至处理过完备和相干字典。
• 将D-RIP条件定义为：当感知矩阵作用于在字典D中具有稀疏表示的信号时，其偏差受到限制。
• 采用ℓ₁-分析最小化：在‖Af − y‖₂ ≤ ε的约束下最小化‖D*f‖₁，其中f为信号，D为字典。
• 证明：若感知矩阵A满足一定稀疏度水平下的D-RIP，则ℓ₁-分析可实现稳定信号恢复，即使D具有相干性。
• 利用随机符号矩阵将满足标准RIP的矩阵（如子采样DFT）转换为满足D-RIP的矩阵，同时保持快速乘法与低存储需求。
• 应用Johnson-Lindenstrauss型论证，证明如带随机符号的子采样傅里叶矩阵等快速变换满足D-RIP，且测量次数达到最优。

实验结果

研究问题

• RQ1 压缩感知能否扩展至在高度冗余且相干字典中稀疏的信号，而非仅限于正交或非相干基？
• RQ2 是否存在适用于字典（尤其是相干字典）的受限等距性质（RIP）的合适推广？
• RQ3 在新D-RIP条件下，ℓ₁-分析是否能为在这些字典中稀疏的信号提供稳定恢复保证？
• RQ4 在新框架下，能否有效使用快速、结构化的感知矩阵（如子采样DFT）并保持恢复性能？
• RQ5 在几何结构与经验性能方面，ℓ₁-分析与ℓ₁-合成相比，在冗余字典中稀疏信号的恢复中表现如何？

主要发现

• 本文提出D-RIP条件，作为标准RIP的推广，无需字典非相干性要求，从而为相干且冗余的字典提供理论保证。
• 证明当感知矩阵满足D-RIP时，ℓ₁-分析最小化可实现稳定信号恢复，误差界与信号尾部能量及测量噪声成正比。
• D-RIP可由快速、结构化的矩阵（如子采样傅里叶矩阵乘以随机符号矩阵）满足，支持O(n log n)的矩阵-向量乘法与O(m log n)的存储。
• 在D-RIP条件下实现稳定恢复所需的测量数为O(s log⁴ n)，与标准压缩感知中使用RIP矩阵的最优量级一致。
• 数值实验与几何分析表明，对于在冗余字典中稀疏的信号，ℓ₁-分析在恢复质量上优于ℓ₁-合成。
• 研究结果将压缩感知的应用范围扩展至图像复原与多分量信号建模等实际问题，其中过完备字典是自然选择。