[论文解读] Inverse Problems with Invariant Multiscale Statistics

Ivan Dokmanić, Joan Bruna+2 more|arXiv (Cornell University)|Sep 18, 2016

Photoacoustic and Ultrasonic Imaging被引用 4

一句话总结

该论文提出了一种新颖的算法，用于求解病态线性反问题，通过在两个约束条件下交替投影：测量空间中的数据一致性，以及非线性多尺度散射变换域中的统计相关结构。通过丢弃相位信息以暴露强烈的光谱相关性，该方法实现了对缺失光谱的稳定线性估计，在严重数据丢失情况下的超分辨率和层析成像任务中，优于凸正则化方法。

ABSTRACT

We propose a new approach to linear ill-posed inverse problems. Our algorithm alternates between enforcing two constraints: the measurements and the statistical correlation structure in some transformed space. We use a non-linear multiscale scattering transform which discards the phase and thus exposes strong spectral correlations otherwise hidden beneath the phase fluctuations. As a result, both constraints may be put into effect by linear projections in their respective spaces. We apply the algorithm to super-resolution and tomography and show that it outperforms ad hoc convex regularizers and stably recovers the missing spectrum.

研究动机与目标

• 解决凸正则化在严重病态反问题中的局限性，其中凸性导致回归到均值并丢失高频细节。
• 利用在傅里叶或变换域中被相位波动掩盖的信号中的隐藏统计相关性。
• 开发一种联合强制执行测量一致性与多尺度统计结构的框架，以提高重建保真度。
• 在极端数据丢失条件下，证明该方法在超分辨率和层析成像中的有效性，此时传统方法失效。

提出的方法

• 应用非线性多尺度散射变换，计算迭代小波系数的模值，丢弃相位信息以暴露强烈的光谱相关性。
• 将散射系数用作表示形式，其中跨尺度的联合统计特性得以保留，并可线性估计。
• 通过线性投影强制实现数据一致性，即投影到与测量数据匹配的信号空间（例如，在超分辨率中替换低频分量）。
• 通过散射域中的非线性投影强制实现正确的统计结构，使散射系数与原始信号的系数对齐。
• 在两个投影之间迭代——数据一致性和统计结构——直至收敛，得到同时满足两个约束的信号。
• 利用散射系数具有局部平移不变性且高度相关的特点，实现对缺失光谱分量的鲁棒线性估计。

实验结果

研究问题

• RQ1 是否可以通过擦除相位的多尺度变换揭示原本隐藏且对反问题正则化有用的统计相关性？
• RQ2 在严重病态问题中，同时强制执行测量一致性和基于散射的统计结构，是否能比凸正则化带来更好的重建效果？
• RQ3 所提出的迭代投影方法是否能稳定地恢复在高数据丢失情况下的超分辨率和层析成像中的缺失光谱分量？
• RQ4 重建结果的高阶统计矩（如峰度）与原始信号相比如何，能否作为可靠的评估指标？

主要发现

• 在超分辨率中，该方法在256倍数据丢失情况下，优于ℓ1最小化和总变差正则化，能更准确地重建高频结构细节。
• 经过20次迭代，Ising超分辨率的重建结果峰度超出值达到1290，接近原始信号的1760；而ℓ1最小化仅得到3164，表明高阶矩恢复效果差。
• 在半角Radon测量的Ising层析成像中，第一次迭代已显著提升视觉质量，最终迭代结果比TV或ℓ1方法更接近原始信号的协峰度张量结构。
• 即使前向算子高度相干且ℓ1最小化无法获得唯一解，该方法仍能稳定恢复缺失光谱。
• 在Cox过程超分辨率中，基于散射的重建方法的峰度超出值为514，低于ℓ1方法的3164，表明尽管MSE更高，但更有效地保留了信号结构。
• 即使在极端数据丢失情况下（如超分辨率中256倍），该算法仍能成功恢复结构细节和高阶统计特性，展现出对病态性问题的强鲁棒性。