[论文解读] Multi-resolution Compressive Sensing Reconstruction

Adriana González, Hong Jiang+2 more|arXiv (Cornell University)|Feb 18, 2016

Sparse and Compressive Sensing Techniques参考文献 14被引用 6

一句话总结

本文提出了一种多分辨率压缩感知重建方法，该方法在感兴趣区域（RoI）分配更高分辨率，而在其他区域使用较低分辨率，从而在相同压缩测量数下提升RoI的重建质量。通过在非均匀网格上建立约束最小化问题，并对低分辨率区域进行上采样，该方法在RoI中的RSNR相比单分辨率重建最高提升6 dB，尤其在20%全测量数的低采样率下表现更优。

ABSTRACT

We consider the problem of reconstructing an image from compressive measurements using a multi-resolution grid. In this context, the reconstructed image is divided into multiple regions, each one with a different resolution. This problem arises in situations where the image to reconstruct contains a certain region of interest (RoI) that is more important than the rest. Through a theoretical analysis and simulation experiments we show that the multi-resolution reconstruction provides a higher quality of the RoI compared to the traditional single-resolution approach.

研究动机与目标

• 在测量受限时，提升压缩感知中感兴趣区域（RoI）的重建质量。
• 解决传统单分辨率重建的局限性，即对图像各区域同等对待，尽管其重要性不同。
• 开发一种方法，将更高分辨率分配给RoI，同时降低其他区域的分辨率，以提升测量-像素比。
• 从理论和实证两方面验证，多分辨率重建在RoI保真度方面优于单分辨率重建。

提出的方法

• 将多分辨率重建建模为带有非均匀像素网格的约束最小化问题，其中RoI使用高分辨率，其余区域使用低分辨率。
• 使用扩展矩阵E将低分辨率区域上采样至完整图像网格，再应用感知矩阵。
• 采用稀疏性促进的分析公式，结合冗余哈尔小波基以处理可压缩信号。
• 使用Chambolle-Pock算法求解优化问题，并利用凸指示函数强制执行测量约束。
• 采用两区域模型：高分辨率RoI（N₁个像素）和低分辨率背景（Nₗ个像素），通过减少未知数数量来提升重建质量。
• 推导出理论误差界，平衡未知数减少（有利）与上采样误差（不利）之间的权衡，表明在特定条件下该方法具有优势。

实验结果

研究问题

• RQ1 与单分辨率方法相比，多分辨率重建能否提升压缩感知中感兴趣区域（RoI）的质量？
• RQ2 未知数减少与上采样误差增加之间的权衡如何影响重建性能？
• RQ3 多分辨率重建在何种理论条件下优于单分辨率重建？
• RQ4 低分辨率网格尺寸（L）的选择如何影响RoI的重建质量？

主要发现

• 在20%采样率（m=0.2N）下，多分辨率方法在全图像上的重建信噪比（RSNR）为23.23 dB，在RoI上的RSNR为21.28 dB，显著优于单分辨率重建方法。
• 在相同条件下，单分辨率重建在全图像上的RSNR仅为16.95 dB，RoI上的RSNR为14.82 dB，表明RoI质量提升了6.4 dB。
• 当低分辨率网格尺寸从L=2增加到L=4时，整体RSNR仅小幅提升（从23.23 dB提升至23.77 dB），表明未知数减少与上采样误差之间存在权衡。
• 理论误差界表明，当RoI中每像素的测量数足够高时，该方法具有优势，此时未知数减少的益处可平衡插值引起的误差。
• 仿真结果证实，该多分辨率方法在低采样率下尤为有效，此时测量-像素比对图像质量的影响最为关键。