[论文解读] Exact solutions to Super Resolution on semi-algebraic domains in higher dimensions

Yohann de Castro, Fabrice Gamboa+2 more|arXiv (Cornell University)|Feb 9, 2015

Sparse and Compressive Sensing Techniques参考文献 46被引用 10

一句话总结

本文通过在高维半代数域上直接求解符号Radon测度空间中的原始ℓ₁-最小化问题，提出了超分辨率的精确半定规划（SDP）公式。该方法利用矩-平方和层次结构，实现了对超过二维的稀疏信号的精确恢复，克服了先前基于对偶的SDP松弛方法的局限性，为多维半代数集合中的精确超分辨率提供了框架。

ABSTRACT

We investigate the multi-dimensional Super Resolution problem on closed semi-algebraic domains for various sampling schemes such as Fourier or moments. We present a new semidefinite programming (SDP) formulation of the 1 -minimization in the space of Radon measures in the multi-dimensional frame on semi-algebraic sets. While standard approaches have focused on SDP relaxations of the dual program (a popular approach is based on Gram matrix representations), this paper introduces an exact formulation of the primal 1 -minimization exact recovery problem of Super Resolution that unleashes standard techniques (such as moment-sum-of-squares hier-archies) to overcome intrinsic limitations of previous works in the literature. Notably, we show that one can exactly solve the Super Resolution problem in dimension greater than 2 and for a large family of domains described by semi-algebraic sets.

研究动机与目标

• 解决在三维以上维度中精确超分辨率的挑战，因为先前基于对偶SDP松弛的方法无法保证精确恢复。
• 为半代数域上的超分辨率问题，提出符号Radon测度空间中ℓ₁-最小化的新型原始公式。
• 利用矩-平方和层次结构，克服现有基于Gram矩阵的对偶松弛方法在多维设置中的局限性。
• 建立在紧致半代数集上，通过半定规划实现稀疏测度精确恢复的条件。
• 为高维傅里叶和矩采样方案提供一个适用于精确超分辨率的理论框架。

提出的方法

• 本文利用矩-平方和层次结构，将符号Radon测度空间中的原始ℓ₁-最小化问题公式化为半定规划。
• 提出一种基于半代数集上非负多项式平方和表示的SDP松弛层次结构。
• 该方法依赖于通过矩条件表示测度的可行集，并利用测度与多项式之间的对偶性。
• 通过使用递增次数k的层次结构来逼近解空间，且在通用性条件下保证收敛。
• 该方法通过直接求解原始问题避免对偶松弛，当满足定理1的秩条件时可实现精确恢复。
• 理论基础建立在凸分析之上，包括平方和锥的闭包性质，以及通过内点条件保证的子水平集的紧致性。

实验结果

研究问题

• RQ1 能否通过原始SDP公式而非对偶松弛，在三维以上维度中实现精确超分辨率？
• RQ2 在半代数域和采样方案（如傅里叶或矩）上，哪些条件能确保稀疏符号测度的精确恢复？
• RQ3 矩-平方和层次结构如何在高维超分辨率问题中实现精确恢复？
• RQ4 在层次结构中是否存在一个有限的次数k，使得SDP松弛在半代数集上实现精确恢复，即使在3D或更高维中？
• RQ5 通用性假设和秩条件在通过所提SDP公式确保精确恢复中起什么作用？

主要发现

• 本文建立了高维半代数域上超分辨率问题的原始ℓ₁-最小化问题的新精确SDP公式。
• 证明了当定理1中的秩条件满足时，即使在三维以上维度中，稀疏符号测度的精确恢复也是可能的。
• 该方法通过直接求解原始问题实现精确恢复，避免了对偶SDP松弛中固有的近似误差。
• 在通用性假设下，矩-平方和层次结构的收敛性得到保证，但未提供所需次数k的先验界。
• 半代数集上平方和锥的闭包性质确保了SDP层次结构中解的存在性。
• 该框架适用于傅里叶和矩采样方案，将精确超分辨率的适用范围从一维设置扩展至更高维。