[论文解读] Compressed sensing with local structure: uniform recovery guarantees for the sparsity in levels class

Chen Li, Ben Adcock|arXiv (Cornell University)|Jan 8, 2016

Sparse and Compressive Sensing Techniques参考文献 32被引用 7

一句话总结

本文首次为使用子采样等距变换的分层稀疏模型压缩感知建立了统一的恢复保证。通过引入一种新型的分层限制等距性（RIPL），作者表明，与以往的非统一保证相比，恢复条件更为简化，尤其在傅里叶采样与哈尔小波稀疏性下，消除了相对稀疏性要求，并降低了局部相干性因子。

ABSTRACT

In compressed sensing, it is often desirable to consider signals possessing additional structure beyond sparsity. One such structured signal model - which forms the focus of this paper - is the local sparsity in levels class. This class has recently found applications in problems such as compressive imaging, multi-sensor acquisition systems and sparse regularization in inverse problems. In this paper we present uniform recovery guarantees for this class when the measurement matrix corresponds to a subsampled isometry. We do this by establishing a variant of the standard restricted isometry property for sparse in levels vectors, known as the restricted isometry property in levels. Interestingly, besides the usual log factors, our uniform recovery guarantees are simpler and less stringent than existing nonuniform recovery guarantees. For the particular case of discrete Fourier sampling with Haar wavelet sparsity, a corollary of our main theorem yields a new recovery guarantee which improves over the current state-of-the-art.

研究动机与目标

• 为压缩感知中的分层稀疏类建立统一的恢复保证。
• 通过引入分层限制等距性（RIPL），将限制等距性（RIP）扩展至具有局部稀疏性的结构化信号。
• 分析子采样等距变换作为测量矩阵的性质，并证明其在温和条件下满足RIPL。
• 通过消除对相对稀疏性的依赖并降低局部相干性因子，改进现有非统一恢复保证。
• 为离散傅里叶采样与哈尔小波稀疏性的情况提供统一的恢复保证，进一步提升当前技术水平。

提出的方法

• 作者定义了一种专为分层稀疏向量设计的RIP新变体，称为分层限制等距性（RIPL）。
• 证明了在采样分布满足温和条件时，等距变换的随机子采样以高概率满足RIPL。
• 证明技术扩展了标准RIP论证方法，但引入了与层级相关的稀疏性约束，并对大值t的覆盖数估计进行了修正。
• 关键步骤包括利用等距不变性与投影算子，对测量投影的期望平方范数进行有界。
• 分析利用了集中不等式（例如，[24, 定理8.42]）来控制等距常数与其均值的偏差。
• 最终界限通过结合矩估计与尾部概率界限推导得出，从而获得统一的恢复保证。

实验结果

研究问题

• RQ1 能否为使用子采样等距变换的分层稀疏模型建立统一的恢复保证？
• RQ2 统一恢复的测量需求与现有非统一保证相比如何？
• RQ3 能否证明子采样等距变换满足分层限制等距性（RIPL）？
• RQ4 新的统一保证是否消除了以往非统一结果中依赖的相对稀疏性假设？
• RQ5 在傅里叶采样与哈尔小波稀疏性的特定情况下，新的统一保证带来了何种改进？

主要发现

• 本文首次为使用子采样等距变换的分层稀疏模型建立了统一的恢复保证，确保通过ℓ¹最小化实现稳定且鲁棒的恢复。
• 在满足 Qδ⁻² log(ε⁻¹) ≲ 1 且 Qδ⁻²r log(2m̃) log(2N) log²(2s) ≲ 1 的测量数条件下，子采样等距变换以高概率满足分层限制等距性（RIPL）。
• 与现有非统一保证相比，统一恢复条件更简单、更宽松，无需依赖相对稀疏性或大的局部相干性因子。
• 对于离散傅里叶采样与哈尔小波稀疏性的情况，新的统一保证通过消除限制性假设，超越了当前最先进的水平。
• 分析表明，对层级数 r 的二次依赖关系是证明过程中的产物，暗示通过更精细的技术可能获得更紧的界限。
• 该结果为将统一恢复推广至无限维压缩感知，以及推广至其他结构化采样模型（如沃尔什-哈达玛测量）打开了道路。