[论文解读] Note on RIP-based Co-sparse Analysis

Lianlin Li|arXiv (Cornell University)|Feb 9, 2012

Sparse and Compressive Sensing Techniques参考文献 2被引用 6

一句话总结

本文针对使用任意冗余字典的共稀疏分析模型，提出了一种广义的限制等距性属性（RIP），建立了l1-最小化能够精确恢复此类字典下稀疏信号的理论条件。研究证明，即使在高度非相干的冗余分析字典下，通过l1-优化也能实现精确的信号恢复，将压缩感知原理扩展至共稀疏分析框架。

ABSTRACT

Over the past years, there are increasing interests in recovering the signals from undersampling data where such signals are sparse under some orthogonal dictionary or tight framework, which is referred to be sparse synthetic model. More recently, its counterpart, i.e., the sparse analysis model, has also attracted researcher's attentions where many practical signals which are sparse in the truly redundant dictionary are concerned. This short paper presents important complement to the results in existing literatures for treating sparse analysis model. Firstly, we give the natural generalization of well-known restricted isometry property (RIP) to deal with sparse analysis model, where the truly arbitrary incoherent dictionary is considered. Secondly, we studied the theoretical guarantee for the accurate recovery of signal which is sparse in general redundant dictionaries through solving l1-norm sparsity-promoted optimization problem. This work shows not only that compressed sensing is viable in the context of sparse analysis, but also that accurate recovery is possible via solving l1-minimization problem.

研究动机与目标

• 将限制等距性属性（RIP）推广至使用任意真正冗余字典的共稀疏分析模型。
• 为在共稀疏分析模型中通过l1-最小化实现精确信号恢复提供理论保证。
• 建立压缩感知原理在一般冗余字典下的分析稀疏性背景中可行的理论基础。
• 将现有的基于RIP的恢复结果推广至共稀疏分析设置，尤其针对非相干和非正交字典。

提出的方法

• 提出一种专为共稀疏分析模型设计的广义限制等距性属性（RIP）形式。
• 引入一种适用于任意、冗余且非相干分析字典的新RIP条件。
• 将l1-最小化问题作为恢复分析域中稀疏信号的凸松弛方法进行分析。
• 推导在广义RIP条件下实现精确恢复所需的测量数理论边界。
• 利用凸分析和随机矩阵理论的工具建立恢复保证。
• 考虑分析算子不一定是正交或紧致的情形，从而支持实际中的冗余表示。

实验结果

研究问题

• RQ1 标准RIP能否推广至支持使用任意冗余字典的共稀疏分析模型？
• RQ2 在何种条件下，l1-最小化可精确恢复在一般冗余分析字典下稀疏的信号？
• RQ3 压缩感知理论是否可扩展至非正交或非紧致框架之外的共稀疏分析框架？
• RQ4 分析字典的非相干性如何影响l1-最小化框架下的恢复性能？
• RQ5 在共稀疏分析模型中，实现稳定且鲁棒恢复所需的理论测量率是多少？

主要发现

• 提出了一种广义的限制等距性属性（RIP），适用于任意、冗余且非相干的分析字典。
• 本文证明，当广义RIP条件满足时，可通过l1-最小化实现精确信号恢复。
• 即使分析字典高度冗余且非相干，理论恢复保证依然成立。
• 实现恢复所需的测量数随稀疏度水平和分析字典的相干性呈有利比例增长。
• 研究结果将压缩感知的适用范围扩展至在一般冗余表示下共稀疏的更广泛信号类别。
• 分析表明，l1-最小化在共稀疏分析模型中仍是一种有效且可靠的恢复方法，提供了坚实的理论基础。