[论文解读] One-Bit Quantization Design and Adaptive Methods for Compressed Sensing

Jun Fang, Yanning Shen+1 more|arXiv (Cornell University)|Apr 7, 2013

Sparse and Compressive Sensing Techniques参考文献 20被引用 3

一句话总结

本文提出了一种用于压缩感知的自适应一比特量化方法，通过基于估计信号值迭代优化量化阈值，实现任意小的重建误差。通过动态调整阈值以逼近未知的未量化测量值，该方法解决了幅度模糊性问题，并显著提升了信号恢复精度，优于固定阈值方法。

ABSTRACT

There have been a number of studies on sparse signal recovery from one-bit quantized measurements. Nevertheless, little attention has been paid to the choice of the quantization thresholds and its impact on the signal recovery performance. This paper examines the problem of one-bit quantizer design for sparse signal recovery. Our analysis shows that the magnitude ambiguity that ever plagues conventional one-bit compressed sensing methods can be resolved, and an arbitrarily small reconstruction error can be achieved by setting the quantization thresholds close enough to the original data samples without being quantized. Note that unquantized data samples are unaccessible in practice. To overcome this difficulty, we propose an adaptive quantization method that adaptively adjusts the quantization thresholds in a way such that the thresholds converges to the optimal thresholds. Numerical results are illustrated to collaborate our theoretical results and the effectiveness of the proposed algorithm.

研究动机与目标

• 解决压缩感知中一比特量化阈值缺乏系统性设计的问题。
• 克服传统一比特压缩感知中仅保留符号而导致的幅度模糊性问题。
• 通过将阈值设计得接近原始未量化测量值，实现任意小的重建误差。
• 在未获得未量化数据的情况下，设计一种实用方法以近似最优阈值。
• 通过使用迭代信号估计实现自适应阈值优化，展示性能提升。

提出的方法

• 提出一种自适应量化方案，利用信号估计值迭代更新阈值。
• 使用重构信号的估计值来细化阈值，公式为 $ \boldsymbol{\tau}^{(t)} = \boldsymbol{\hat{y}}^{(t)} + \xi^{(t)}\boldsymbol{\delta}^{(t)} $，其中 $ \boldsymbol{\hat{y}}^{(t)} $ 为估计的测量向量。
• 采用递减的偏差参数 $ \xi^{(t)} $，其更新方式为 $ \xi^{(t+1)} = \xi^{(t)}/10 $，以逐步减小阈值扰动。
• 初始阈值设定为 $ \boldsymbol{\tau}^{(0)} = \boldsymbol{y} + \xi^{(0)}\boldsymbol{\delta}^{(0)} $，其中 $ \xi^{(0)} $ 与测量值的范数成正比。
• 在每次迭代中应用 $ \ell_1 $-最小化或 log-sum 最小化进行信号重构。
• 基于 $ \|\boldsymbol{\hat{x}}^{(t)} - \boldsymbol{\hat{x}}^{(t-1)}\|_2 < 0.01 $ 的收敛准则停止迭代。

实验结果

研究问题

• RQ1 量化阈值的选择如何影响一比特压缩感知中的重建精度？
• RQ2 如果阈值被最优选择，是否可以通过一比特量化实现任意小的重建误差？
• RQ3 当无法获得未量化测量值时，可采用哪些策略来近似最优阈值？
• RQ4 与固定阈值方案相比，自适应阈值优化如何提升信号恢复性能？
• RQ5 在一比特压缩感知中，迭代阈值自适应的收敛行为和性能增益如何？

主要发现

• 理论上，通过将量化阈值设置得接近原始未量化测量值，可实现任意小的重建误差。
• 所提出的自适应方法在重建性能上显著优于使用固定阈值的非自适应方案。
• 该算法平均在十次迭代内收敛，且各次迭代中性能持续提升。
• 数值结果表明，无论测量数如何变化，自适应方案在归一化均方误差（NMSE）方面均优于非自适应一比特方法。
• 图像重建实验表明，与非自适应基线相比，自适应方案生成的重构图像在视觉上更清晰、更准确。
• 该方法有效解决了幅度模糊性问题，即使在仅使用一比特量化的情况下，也能实现更优的信号重构。