[论文解读] Compressive Inverse Scattering with TV-min and Greedy Pursuit

Albert Fannjiang|arXiv (Cornell University)|May 17, 2012

Sparse and Compressive Sensing Techniques参考文献 20被引用 2

一句话总结

本文提出了一种针对约束联合稀疏性（CJS）的压缩感知框架，结合总变差最小化（TV-min）与匹配追踪类贪婪算法（如基追踪和正交匹配追踪）。该研究建立了TV-和ℓ²-范数恢复的维数无关误差界，将Candès、Romberg和Tao的精确恢复结果推广至分段常数对象在噪声和不完整傅里叶数据下的情形。

ABSTRACT

This paper proposes a general framework for compressed sensing of constrained joint sparsity (CJS) which includes total variation minimization (TV-min) as an example. TV- and 2-norm error bounds, independent of the ambient dimension, are derived for the CJS version of Basis Pursuit and Orthogonal Matching Pursuit. As an application the results extend Cand`es, Romberg and Tao's proof of exact recovery of piecewise constant objects with noiseless incomplete Fourier data to the case of noisy data.

研究动机与目标

• 开发一种适用于反散射问题中约束联合稀疏性（CJS）的通用压缩感知框架。
• 推导TV-min与贪婪追踪方法在维数无关条件下的误差界。
• 将Candès、Romberg和Tao的无噪声精确恢复保证推广至分段常数对象在噪声和不完整傅里叶数据下的情形。
• 为基追踪与正交匹配追踪在CJS约束下的理论性能建立边界。

提出的方法

• 构建一个CJS框架，用于建模多个信号间共享稀疏结构的联合稀疏性。
• 采用总变差最小化（TV-min）作为正则化技术，以促进分段常数解的获得。
• 利用ℓ²与TV范数推导理论误差界，且该界与信号维数无关，适用于基追踪与正交匹配追踪。
• 改进并扩展Candès、Romberg和Tao的证明技术，以处理噪声和不完整的傅里叶测量。
• 采用约束优化公式，确保与反散射物理约束的一致性。
• 采用贪婪追踪策略，通过字典中迭代选择原子来重构稀疏信号。

实验结果

研究问题

• RQ1 能否为反散射问题中的约束联合稀疏性开发一个通用的压缩感知框架？
• RQ2 TV-min与贪婪追踪在CJS设置下的维数无关误差界是什么？
• RQ3 Candès、Romberg和Tao的精确恢复保证能否推广至噪声和不完整傅里叶数据？
• RQ4 TV-min与贪婪追踪在反散射问题中面对噪声测量时表现如何？
• RQ5 在CJS约束下，能否为基追踪与正交匹配追踪推导出理论性能边界？

主要发现

• 本文在CJS框架下建立了TV-范数与ℓ²-范数恢复的维数无关误差界。
• 证明了基追踪与正交匹配追踪在噪声和不完整傅里叶测量下可实现稳定恢复。
• 理论结果将Candès、Romberg和Tao的无噪声精确恢复推广至分段常数对象的噪声情形。
• 误差界与环境信号维数无关，确保了方法的可扩展性与鲁棒性。
• 该框架成功将现有压缩感知结果推广至具有约束联合稀疏性的反散射问题。