[论文解读] Correcting Errors in Linear Measurements and Compressed Sensing of Multiple Sources

Alexander Petukhov, Inna Kozlov|arXiv (Cornell University)|Apr 15, 2013

Sparse and Compressive Sensing Techniques参考文献 9被引用 3

一句话总结

本文提出了一种新型压缩感知解码方法——ℓ¹-greedy-generous算法（LGGA），该方法能高效纠正线性测量中的稀疏误差，且无需额外编码。通过结合贪婪与宽容策略，LGGA能够适应源信号中信息分布的非均匀性，在噪声条件下仍显著优于现有方法，重建稀疏高斯信号时表现出强大的内在纠错能力，得益于残余冗余。

ABSTRACT

We present an algorithm for finding sparse solutions of the system of linear equations $Φ\mathbf{x}=\mathbf{y}$ with rectangular matrices $Φ$ of size $n imes N$, where $n

研究动机与目标

• 解决在源信号具有非均匀稀疏性时，从被稀疏误差污染的线性测量中重建稀疏信号的挑战。
• 开发一种可直接在测量向量上运行的解码算法，无需冗余信道编码。
• 在数据块间信息内容差异较大的情况下（如图像或多通道源编码），提升压缩感知的重建精度与鲁棒性。
• 通过利用压缩感知的自然纠错特性，实现高效的联合源-信道编码。

提出的方法

• LGGA算法结合贪婪追踪与宽容策略，迭代识别并纠正测量向量中的稀疏误差分量。
• 以ℓ¹-最小化为基础，但通过自适应加权机制优先处理信息含量更高的区域。
• 算法在迭代过程中动态估计信息在各数据块间的分布，调整权重以提升对非均匀稀疏源的恢复性能。
• 直接在测量向量y上运行，利用残余冗余检测并纠正误差，无需编码器提供的附加信息。
• 通过将每个源视为联合测量模型中的独立稀疏分量，将该方法应用于多通道源编码。
• 理论与数值分析表明，即使在噪声环境下，LGGA仍能保持高恢复性能，其精度仅受基本信息论极限的制约。

实验结果

研究问题

• RQ1 压缩感知解码器能否在无需额外冗余编码的情况下纠正线性测量中的稀疏误差？
• RQ2 当源信号具有非均匀稀疏性时，LGGA与标准ℓ¹-最小化及贪婪算法相比性能如何？
• RQ3 在压缩感知中，线性测量中的自然冗余能在多大程度上被用于内在纠错？
• RQ4 该算法能否在解码过程中适应数据块间未知或变化的信息分布？

主要发现

• 在非均匀分布的块间稀疏性下，LGGA在重建稀疏高斯信号方面显著优于传统ℓ¹-最小化与贪婪算法。
• 即使在测量噪声存在的情况下，该算法仍能实现高精度恢复，重建误差接近理论信息论极限 2^{NH(k/N)/n}√nσ。
• 数值实验表明，基于信息论的“最佳情况估计”能准确预测实际重建精度，验证了理论边界的可靠性。
• 该算法对噪声具有鲁棒性，随着噪声增加，成功率逐步且可预测地下降，表明性能退化稳定。
• LGGA通过在测量中隐式编码幅度与索引信息，实现了高效的联合源-信道编码，无需单独的索引编码。