[论文解读] Modified Papoulis-Gerchberg algorithm for sparse signal recovery

Mohammad H. Kayvanrad, Dornoosh Zonoobi+1 more|ArXiv.org|Feb 12, 2009

Sparse and Compressive Sensing Techniques参考文献 14被引用 5

一句话总结

本文提出了一种改进的Papoulis-Gerchberg算法用于稀疏信号恢复，通过迭代阈值化强制实现稀疏性，并在每一步中重建已知观测值。与L1和总变差最小化相比，该方法在极少量且含噪测量条件下表现出更优的重建质量，尤其在1D和2D测试信号（包括低采样率下的Shepp-Logan幻影）中表现突出。

ABSTRACT

Motivated by the well-known Papoulis-Gerchberg algorithm, an iterative thresholding algorithm for recovery of sparse signals from few observations is proposed. The sequence of iterates turns out to be similar to that of the thresholded Landweber iterations, although not the same. The performance of the proposed algorithm is experimentally evaluated and compared to other state-of-the-art methods.

研究动机与目标

• 开发一种高效迭代算法，用于从高度欠采样且含噪的测量中恢复稀疏信号。
• 通过用稀疏性约束替代带限性约束，将经典的Papoulis-Gerchberg框架（最初用于带限信号重建）适配至稀疏信号恢复。
• 在压缩感知中，相较于现有的阈值化Landweber型方法，提升重建精度与收敛速度。
• 在1D和2D信号上评估性能，包括磁共振成像（MRI）等实际应用。

提出的方法

• 该算法在变换域（如傅里叶或小波）中迭代应用阈值化操作以强制实现稀疏性，类似于迭代收缩中的软阈值化。
• 在每次迭代中，算法将当前估计值投影到约束集上（如基下的稀疏性），然后通过修正步骤强制与已知观测值一致。
• 更新规则类似于阈值化Landweber迭代，其关键区别在于采用Papoulis-Gerchberg启发的结构，交替执行约束强制与数据一致性步骤。
• 该方法使用软阈值算子Sγ以促进稀疏性，阈值参数根据信号特性自适应调整或固定。
• 该算法在1D和2D设置中均被应用，包括在2D傅里叶域中基于径向采样的重建，与MRI应用密切相关。
• 通过峰值信噪比（PSNR）和与L1最小化及总变差（TV）范数最小化方法的视觉对比，在标准测试信号上对方法进行了评估。

实验结果

研究问题

• RQ1 能否通过用稀疏性约束替代带限性约束，有效将Papoulis-Gerchberg框架适配至稀疏信号恢复？
• RQ2 所提出的迭代阈值化算法在重建精度和抗噪鲁棒性方面，与L1和TV最小化等最先进方法相比表现如何？
• RQ3 当应用于高度欠采样的2D信号（如径向傅里叶采样下的MRI图像）时，该方法的重建质量如何？
• RQ4 当观测信号的噪声水平高于重建结果时，该算法在显著加性噪声下的表现如何？

主要发现

• 对于128个样本的1D HeaviSine信号，仅使用9条径向线时，所提方法达到24.97 dB的PSNR，显著优于L1方法（11.8 dB）和TV方法（14.36 dB）。
• 当使用21条径向线时，所提方法在Shepp-Logan幻影上的PSNR达到199.75 dB，远超L1方法（27.1 dB）和TV方法（113.25 dB）。
• 在含噪环境下，所提方法的重建PSNR始终高于输入噪声图像，例如在50 dB噪声下，重建PSNR为53.44 dB，而噪声图像仅为50.02 dB。
• 该方法表现出强抗噪能力，重建PSNR相对于噪声输入有所提升，尤其在高噪声水平下（如50 dB信噪比）。
• 图2的视觉结果表明，与L1和TV最小化相比，所提方法在低采样率（K=9）下能生成更锐利的边缘和更少的伪影。
• 该算法在不同采样模式和信号类型下表现一致，证实其在稀疏信号恢复问题中的通用性。