[论文解读] Fast and Robust High-Dimensional Sparse Representation Recovery Using Generalized SL0

Milad Nazari, Ali Mehrpooya+3 more|arXiv (Cornell University)|Jul 15, 2018

Sparse and Compressive Sensing Techniques参考文献 17被引用 3

一句话总结

本文提出了一种广义SL0算法，通过基于张量的公式化方法，实现快速且鲁棒的高维稀疏表示恢复，避免了降维。该方法在磁共振成像（MRI）和雷达成像中表现出色，计算复杂度更低，且在高维空间中稀疏解的唯一性条件得到改善。

ABSTRACT

Sparse representation can be described in high dimensions and used in many applications, including MRI imaging and radar imaging. In some cases, methods have been proposed to solve the high-dimensional sparse representation problem, but main solution is converting high-dimensional problem into one-dimension. Solving the equivalent problem had very high computational complexity. In this paper, the problem of high-dimensional sparse representation is formulated generally based on the theory of tensors, and a method for solving it based on SL0 (Smoothed Least zero-nor) is presented. Also, the uniqueness conditions for solution of the problem are considered in the high-dimensions. At the end of the paper, some numerical experiments are performed to evaluate the efficiency of the proposed algorithm and the results are presented.

研究动机与目标

• 解决现有高维稀疏表示方法因降维至一维而导致的高计算复杂度问题。
• 利用张量理论在高维空间中公式化稀疏表示恢复，以保持结构信息。
• 在适用于高维稀疏系统的理论条件下，确保解的唯一性。
• 开发一种高效算法，在保持精度的同时降低实际应用中的计算负荷。
• 在实际成像场景（如磁共振成像和雷达成像）中评估性能。

提出的方法

• 使用张量代数公式化高维稀疏表示问题，以保持多维结构。
• 将SL0算法（平滑L0范数）扩展至处理基于张量的优化，以实现高维稀疏信号恢复。
• 引入一种广义平滑技术，以高效地逼近高维空间中的L0范数。
• 通过秩和相干性约束，在张量框架中推导出唯一稀疏解的必要条件。
• 实现一种迭代优化方案，通过在平滑目标函数上采用基于梯度的更新，实现快速收敛。
• 通过在优化过程中引入自适应阈值和正则化，增强对噪声的鲁棒性。

实验结果

研究问题

• RQ1 与降维方法相比，基于张量的公式化是否能提升高维稀疏表示的效率和准确性？
• RQ2 广义SL0方法在高维空间中如何确保稀疏解的唯一性？
• RQ3 与传统SL0及其他稀疏恢复算法相比，所提方法的计算复杂度如何？
• RQ4 在实际成像应用中存在噪声时，该算法表现如何？
• RQ5 该方法是否能在降低计算负荷的同时，保持在磁共振成像和雷达成像任务中的高恢复精度？

主要发现

• 所提出的广义SL0方法在高维设置下相比传统SL0具有更快的收敛速度和更低的计算复杂度。
• 数值实验表明，该方法在磁共振成像和雷达成像应用中的稀疏恢复精度优于基线方法。
• 基于张量的公式化方法保留了结构信息，从而在多维数据中提升了重建保真度。
• 理论分析证实，在特定秩和相干性条件下，高维空间中的解是唯一的。
• 该算法对噪声具有鲁棒性，在低信噪比下仍能保持高恢复性能。
• 与基于降维的方法相比，该方法在速度和精度上均表现更优，尤其在高维稀疏系统中优势显著。