[论文解读] Denoising based Vector Approximate Message Passing

Philip Schniter, Sundeep Rangan+1 more|arXiv (Cornell University)|Nov 4, 2016

Sparse and Compressive Sensing Techniques参考文献 5被引用 15

一句话总结

本文提出D-VAMP，一种鲁棒的压缩成像算法，将基于去噪的近似消息传递（D-AMP）与向量AMP（VAMP）相结合，实现在非i.i.d.测量矩阵下的最先进图像重建性能。通过在VAMP框架内集成BM3D等先进去噪器，D-VAMP即使在测量矩阵偏离i.i.d.-高斯假设时仍能保持高性能与稳定性，相较于D-AMP在病态条件下的表现更优。

ABSTRACT

The denoising-based approximate message passing (D-AMP) methodology, recently proposed by Metzler, Maleki, and Baraniuk, allows one to plug in sophisticated denoisers like BM3D into the AMP algorithm to achieve state-of-the-art compressive image recovery. But AMP diverges with small deviations from the i.i.d.-Gaussian assumption on the measurement matrix. Recently, the vector AMP (VAMP) algorithm has been proposed to fix this problem. In this work, we show that the benefits of VAMP extend to D-VAMP.

研究动机与目标

• 为解决D-AMP在非i.i.d.测量矩阵（如非零均值或弱病态）下的不稳定性问题。
• 将原本专为i.i.i.d.-高斯矩阵设计的VAMP的鲁棒性扩展至基于去噪的D-AMP框架。
• 开发一种混合算法D-VAMP，既保留D-AMP的高性能，又在实际非理想测量条件下提升稳定性。
• 验证D-VAMP在多种成像场景（包括低采样率和病态矩阵）下均能保持高重建质量与计算效率。

提出的方法

• 将基于去噪的AMP（D-AMP）框架与向量AMP（VAMP）结合，用VAMP兼容的消息传递结构替代标准AMP更新。
• 采用伪测量模型，其中每次迭代生成一个受已知方差i.i.d.高斯噪声污染的信号，从而可使用任意外部去噪器（如BM3D）。
• 应用VAMP中的自动调参方法以估计噪声方差，无需先验知识，提升实际可用性。
• 在使用D-VAMP算法恢复稀疏系数向量后，通过逆小波变换构建图像估计。
• 采用右旋转不变测量矩阵模型，该模型推广了i.i.d.-高斯假设，并支持严格的性能演化分析。
• 在每次迭代中使用插件式去噪器（如BM3D）以优化稀疏系数向量的估计。

实验结果

研究问题

• RQ1 能否将VAMP的鲁棒性扩展至基于去噪的D-AMP框架，以提升在非i.i.d.测量矩阵下的稳定性？
• RQ2 在不同采样率下，D-VAMP相较于D-AMP在i.i.d.-高斯测量矩阵下的PSNR与运行时间表现如何？
• RQ3 当测量矩阵变得病态时，D-VAMP的性能相较于D-AMP退化程度如何？
• RQ4 在低采样率下，将BM3D去噪集成至VAMP是否能保持高质量图像重建？
• RQ5 VAMP中的自动调参机制能否有效应用于D-AMP框架，以消除对噪声方差先验知识的需求？

主要发现

• 在10%采样率下，D-VAMP实现25.2 dB的PSNR，运行时间为10.4秒，与D-AMP在i.i.d.-高斯矩阵下的表现相当。
• 在50%采样率下，D-VAMP实现37.7 dB的PSNR，运行时间为8.8秒，PSNR略高于D-AMP，同时保持相近速度。
• 对于条件数为10^4的病态矩阵，D-VAMP维持20.0 dB的PSNR，而D-AMP完全失效（PSNR < 7.2 dB）。
• 在条件数为10^3时，D-VAMP性能仅下降4.4 dB（从24.8 dB降至20.4 dB），而D-AMP的PSNR低于7.2 dB，表明其具有极强的鲁棒性。
• 基于VAMP的方法（包括D-VAMP）的性能比ℓ1-AMP和ℓ1-VAMP更稳定，尤其在低采样率下，D-VAMP的PSNR优于D-AMP。
• D-VAMP的运行时间在所有测试条件下保持一致，仅在病态条件下有轻微增加，表明其具有计算鲁棒性。