[论文解读] Domain decomposition methods for compressed sensing

Massimo Fornasier, Andreas Langer+1 more|ArXiv.org|Feb 1, 2009

Sparse and Compressive Sensing Techniques参考文献 15被引用 9

一句话总结

本文提出了一种域分解方法，用于求解图像重建中的压缩感知和全变分最小化问题，采用重叠与非重叠子域分解。该方法可实现高效、可并行化的算法，并收敛至全局最小值，在一维/二维信号插值、图像修复以及从部分傅里叶数据中恢复分段常数医学图像方面表现出成功应用。

ABSTRACT

We present several domain decomposition algorithms for sequential and parallel minimization of functionals formed by a discrepancy term with respect to data and total variation constraints. The convergence properties of the algorithms are analyzed. We provide several numerical experiments, showing the successful application of the algorithms for the restoration 1D and 2D signals in interpolation/inpainting problems respectively, and in a compressed sensing problem, for recovering piecewise constant medical-type images from partial Fourier ensembles.

研究动机与目标

• 开发用于求解大规模压缩感知和全变分最小化问题的高效域分解算法。
• 解决域分解方法中全变分在子域间非可加性带来的挑战。
• 在界面跳跃和重叠子域复杂性存在的情况下，确保收敛至全局最小值。
• 实现对大规模成像问题（如4D医学成像和地震层析成像）的实时或近实时处理。
• 在信号插值、图像修复和医学图像类型的压缩感知方面提供数值验证。

提出的方法

• 本文基于凸集投影和Bregman迭代，提出顺序与并行的域分解算法。
• 采用重叠与非重叠子域，并利用单位分解以确保界面处的一致性并控制数值振荡。
• 通过结合数据保真项与全变分的泛函迭代最小化求解局部子问题，同时对子域边界施加约束。
• 算法采用Chambolle的投影方法实现$αK$-投影，并引入拉格朗日乘子以强制边界条件。
• 在技术条件下分析收敛性，表明目标函数单调递减，且子序列收敛至全局最小值。
• 该方法通过交替执行局部子问题求解与利用单位分解的界面校正步骤实现迭代更新。

实验结果

研究问题

• RQ1 域分解方法能否有效应用于压缩感知中的全变分最小化，并保证收敛性？
• RQ2 如何设计重叠与非重叠子域分解，以处理界面处全变分的非可加性？
• RQ3 在何种条件下可确保迭代域分解算法收敛至全变分泛函的全局最小值？
• RQ4 所提方法在大规模成像问题（如4D医学成像或地震层析成像）中如何扩展？
• RQ5 该算法在从部分傅里叶数据中恢复医学图像时，能在多大程度上保持边缘与分段常数结构？

主要发现

• 所提出的域分解算法表现出目标泛函的单调递减及子序列收敛至全局最小值。
• 在重叠情况下，无需额外技术假设即可保证收敛至全局最小值。
• 在非重叠情况下，通过特定技术条件（关于分解与子问题构造）可确保收敛至全局最小值。
• 数值实验表明，该方法在1D信号插值与2D图像修复中均取得成功应用，且适用于重叠与非重叠分解。
• 该算法能有效从部分傅里叶数据中恢复分段常数医学图像，重建图像中边缘保持清晰，伪影显著减少。
• 该方法在大规模问题上具有良好可扩展性，可实现高效并行计算，适用于4D医学成像等高维成像任务。