[论文解读] Dense Error Correction via L1-Minimization

John Wright, Yi Ma|ArXiv.org|Sep 1, 2008

Sparse and Compressive Sensing Techniques参考文献 21被引用 13

一句话总结

本文提出了一种新颖的方法，通过L1-最小化从高度不完整且噪声严重的测量中恢复被污染的信号。通过将测量矩阵建模为具有相干结构的随机高斯集合，该方法即使在大量条目被污染的情况下也能实现鲁棒恢复，在稀疏误差模型下表现出接近最优的性能。

ABSTRACT

This paper studies the problem of recovering a non-negative sparse signal $\x \in \Re^n$ from highly corrupted linear measurements $\y = A\x + \e \in \Re^m$, where $\e$ is an unknown error vector whose nonzero entries may be unbounded. Motivated by an observation from face recognition in computer vision, this paper proves that for highly correlated (and possibly overcomplete) dictionaries $A$, any non-negative, sufficiently sparse signal $\x$ can be recovered by solving an $\ell^1$-minimization problem: $\min \|\x\|_1 + \|\e\|_1 \quad {subject to} \quad \y = A\x + \e.$ More precisely, if the fraction $ρ$ of errors is bounded away from one and the support of $\x$ grows sublinearly in the dimension $m$ of the observation, then as $m$ goes to infinity, the above $\ell^1$-minimization succeeds for all signals $\x$ and almost all sign-and-support patterns of $\e$. This result suggests that accurate recovery of sparse signals is possible and computationally feasible even with nearly 100% of the observations corrupted. The proof relies on a careful characterization of the faces of a convex polytope spanned together by the standard crosspolytope and a set of iid Gaussian vectors with nonzero mean and small variance, which we call the ``cross-and-bouquet'' model. Simulations and experimental results corroborate the findings, and suggest extensions to the result.

研究动机与目标

• 解决在测量高度污染时校正密集错误的挑战。
• 开发一种利用L1-最小化在大量测量值错误时仍能恢复信号的方法。
• 分析在存在相干测量矩阵的情况下，L1-最小化能够成功校正密集错误的理论条件。
• 在高维设置下，为具有高斯测量向量的错误校正建立性能边界。

提出的方法

• 该方法将测量矩阵建模为以均值向量μ为中心的i.i.d.高斯向量集合，形成一组相干向量的“花束”。
• 它使用L1-最小化求解一个信号在某种基下为稀疏的欠定系统。
• 该方法将误差向量视为稀疏，并使用L1-范数最小化以促进误差的稀疏性，从而实现校正。
• 通过高维空间中交叉多面体的几何结构和大数集中现象进行理论分析。
• 在测量矩阵由于共同均值而具有相干结构的假设下分析恢复性能。
• 当测量数量超过与信号和误差稀疏性相关的阈值时，该方法被证明是有效的。

实验结果

研究问题

• RQ1 当测量矩阵表现出相干结构时，L1-最小化能否有效校正密集错误？
• RQ2 在具有相干高斯测量模型的情况下，错误校正的理论极限是什么？
• RQ3 测量向量中存在共同均值如何影响L1-最小化的恢复性能？
• RQ4 在存在密集错误的情况下，L1-最小化在何种条件下可实现近似最优恢复？
• RQ5 测量相干性、信号稀疏性与成功恢复所需测量数量之间的关系是什么？

主要发现

• 当测量数量超过与信号和误差稀疏性成比例的阈值时，该方法可实现成功的信号恢复。
• 即使测量矩阵由于共同均值向量而具有相干性，L1-最小化仍可校正密集错误。
• 理论分析表明，当测量数量超过临界点后，成功恢复的概率会急剧上升。
• 高维空间中交叉多面体的几何结构和大数集中现象在确保稳定恢复方面起着关键作用。
• 该方法对高比例污染表现出鲁棒性，在密集错误条件下优于标准压缩感知方法。