[论文解读] Compressed sensing with structured sparsity and structured acquisition

Claire Boyer, Jérémie Bigot+1 more|HAL (Le Centre pour la Communication Scientifique Directe)|May 7, 2015

Sparse and Compressive Sensing Techniques参考文献 23被引用 6

一句话总结

本文提出了一套面向结构化稀疏性和分块采集的压缩感知理论框架，其中测量值被分组为在空间上一致的块（例如径向或平行线），以反映磁共振成像（MRI）中的物理约束。该文推导了ℓ₁-最小化在支持依赖下的恢复保证，表明重建概率明确依赖于稀疏结构和块的选择方式，并给出了所需测量数的显式边界，该边界优于经典的独立同分布（i.i.d.）采样方法。

ABSTRACT

Compressed Sensing (CS) is an appealing framework for applications such as Magnetic Resonance Imaging (MRI). However, up-to-date, the sensing schemes suggested by CS theories are made of random isolated measurements, which are usually incompatible with the physics of acquisition. To reflect the physical constraints of the imaging device, we introduce the notion of blocks of measurements: the sensing scheme is not a set of isolated measurements anymore, but a set of groups of measurements which may represent any arbitrary shape (parallel or radial lines for instance). Structured acquisition with blocks of measurements are easy to implement, and provide good reconstruction results in practice. However, very few results exist on the theoretical guarantees of CS reconstructions in this setting. In this paper, we derive new CS results for structured acquisitions and signals satisfying a prior structured sparsity. The obtained results provide a recovery probability of sparse vectors that explicitly depends on their support. Our results are thus support-dependent and offer the possibility for flexible assumptions on the sparsity structure. Moreover, the results are drawing-dependent, since we highlight an explicit dependency between the probability of reconstructing a sparse vector and the way of choosing the blocks of measurements. Numerical simulations show that the proposed theory is faithful to experimental observations.

研究动机与目标

• 为弥合理论压缩感知与实际磁共振成像（MRI）采集之间的差距，其中随机孤立的测量在物理上不可行。
• 在测量以结构化块（如径向或平行线）形式采集时，发展理论恢复保证，以反映现实世界的物理规律。
• 将结构化稀疏性——即稀疏信号的支持遵循特定模式——纳入恢复性能的理论分析中。
• 推导在分块采集下，通过ℓ₁-最小化实现精确恢复所需测量数的显式、支持依赖的边界。
• 表明针对结构化稀疏性和块几何结构定制的变密度采样策略，可显著减少所需测量数，同时保持高重建概率。

提出的方法

• 提出一种传感模型，通过测量块（如k空间中的线）而非孤立的独立同分布（i.i.d.）测量来实现，以反映磁共振成像（MRI）中的物理采集约束。
• 通过系数的分层或聚类模式建模，定义结构化稀疏性，即稀疏信号的支持遵循基于层级的分组结构。
• 通过针对分块结构传感矩阵的相干性与限制等距性质的新型分析，推导恢复保证。
• 提出一种变密度采样策略，其中选择某一分块的概率取决于其相干性和局部稀疏结构，以优化测量效率。
• 通过将传感矩阵分解为二进制层级，界定互相关性，并利用集中不等式推导测量复杂度边界。
• 证明所需块数与局部稀疏系数的加权和及层间相干性成正比，从而在经典i.i.d.采样基础上获得更优的边界。

实验结果

研究问题

• RQ1 压缩感知中的理论恢复保证能否扩展至测量被分组为在空间上一致的块的结构化采集方案？
• RQ2 当信号的支持呈现非均匀、聚类的模式时，结构化稀疏性如何影响精确恢复所需的测量数？
• RQ3 变密度采样策略能否被适配到分块结构化采集中，以在遵守物理约束的前提下提升恢复性能？
• RQ4 恢复概率对稀疏结构和测量块选择的显式依赖关系是什么？
• RQ5 在实际磁共振成像（MRI）应用中，与经典压缩感知结果相比，所推导的边界在测量复杂度方面有何差异？

主要发现

• 本文证明，在采用分块采集的压缩感知中，恢复概率明确依赖于稀疏信号的支持结构，从而实现支持依赖的保证。
• 所需测量块数满足 m ≳ ∑ⱼ (sᶜⱼ + ∑ᵣ≠ⱼ 2⁻|ⱼ−ᵣ|/² sᶜᵣ) · ln(n/ε) ln(s)，其中 sᶜⱼ 表示层级 j 处的局部稀疏性。
• 所推导的测量边界通过结合结构化稀疏性和块几何结构，优于经典i.i.d.采样，显著减少了实现高概率恢复所需的测量数。
• 恢复概率具有抽样依赖性：块的选择方式（通过变密度采样）直接影响精确重建的可能性。
• 数值模拟结果表明，理论预测与实验观测高度一致，验证了该模型对真实磁共振成像（MRI）采集设置的保真度。
• 该框架通过支持结构化、符合物理规律的采集方案，在保持强理论恢复保证的同时，支持实际磁共振成像（MRI）应用。