[论文解读] Exact Support Recovery for Sparse Spikes Deconvolution

Vincent Duval, Gabriel Peyré|arXiv (Cornell University)|Jun 28, 2013

Sparse and Compressive Sensing Techniques参考文献 29被引用 15

一句话总结

本文通过在测度上使用总变差正则化，建立了稀疏冲激脉冲反卷积的精确支撑恢复。当信噪比足够高且存在非退化对偶证书时——可通过消失导数预证书验证——TV正则化能精确恢复狄拉克质量的数量、位置和振幅，并在噪声趋于零时收敛到真实解。

ABSTRACT

This paper studies sparse spikes deconvolution over the space of measures. We focus our attention to the recovery properties of the support of the measure, i.e. the location of the Dirac masses. For non-degenerate sums of Diracs, we show that, when the signal-to-noise ratio is large enough, total variation regularization (which is the natural extension of the L1 norm of vectors to the setting of measures) recovers the exact same number of Diracs. We also show that both the locations and the heights of these Diracs converge toward those of the input measure when the noise drops to zero. The exact speed of convergence is governed by a specific dual certificate, which can be computed by solving a linear system. We draw connections between the support of the recovered measure on a continuous domain and on a discretized grid. We show that when the signal-to-noise level is large enough, the solution of the discretized problem is supported on pairs of Diracs which are neighbors of the Diracs of the input measure. This gives a precise description of the convergence of the solution of the discretized problem toward the solution of the continuous grid-free problem, as the grid size tends to zero.

研究动机与目标

• 建立总变差正则化在测度上精确恢复反卷积中稀疏狄拉克测度支撑（位置与振幅）的条件。
• 刻画对偶证书在确定精确支撑恢复中的作用，特别是其非退化条件。
• 将连续无网格反卷积问题与其离散有网格版本联系起来，证明随着网格分辨率提高，离散解收敛于连续解。
• 提供一个可计算的代理（消失导数预证书），以在实际中验证对偶证书的非退化性。

提出的方法

• 将稀疏冲激脉冲反卷积建模为测度空间上的连续反问题，使用总变差（TV）正则化作为ℓ¹范数在测度上的自然推广。
• 分析对偶问题，识别出具有最小L²范数的对偶证书，该证书决定了支撑恢复的性质。
• 引入基于消失导数的预证书，以验证对偶证书的非退化性，可通过求解线性系统计算。
• 使用非自反Banach空间中的变分分析研究无限维优化问题，并推导收敛性保证。
• 将连续问题的解与其实现的离散网格近似联系起来，证明在高信噪比和非退化条件下，离散解在真实狄拉克位置附近支撑狄拉克脉冲。
• 在L²(T)中使用投影算子和弱/强收敛论证，证明随着网格分辨率提高，离散解收敛于连续解。

实验结果

研究问题

• RQ1 在何种条件下，测度上的总变差正则化能精确恢复稀疏狄拉克冲激脉冲的支撑（数量、位置与振幅）？
• RQ2 在实际中如何验证对偶证书的非退化性？为何其非退化性对精确支撑恢复至关重要？
• RQ3 连续无网格反卷积问题的解与其离散有网格近似解之间有何关系？
• RQ4 随着噪声降低，恢复的狄拉克脉冲的位置与振幅如何收敛于真实测度的对应值？
• RQ5 对偶证书能否显式构造？其在确保精确恢复中起什么作用？

主要发现

• 当信噪比足够高且对偶证书非退化时，TV正则化能精确恢复输入测度中狄拉克质量的数量。
• 随着噪声水平趋于零，恢复的狄拉克脉冲的位置与振幅收敛于真实测度的对应值。
• 对偶证书的非退化性可通过消失导数预证书验证，该预证书可通过求解线性系统以闭式表达计算。
• 在高信噪比和非退化对偶证书条件下，基于离散网格的解在真实狄拉克位置附近支撑狄拉克脉冲，确保随着网格尺寸减小，解收敛于连续解。
• 具有最小L²范数的对偶证书是决定精确支撑恢复的关键，其存在性与非退化性是在高信噪比下精确支撑恢复的充要条件。
• 在相同非退化与信噪比条件下，随着网格变细，离散问题的解在L²(T)中强收敛于连续解。