[论文解读] Optimal Sparse Recovery for Multi-Sensor Measurements

Il Yong Chun, Ben Adcock|arXiv (Cornell University)|Mar 22, 2016

Sparse and Compressive Sensing Techniques参考文献 14被引用 3

一句话总结

该论文为具有对角传感器配置矩阵的多传感器压缩感知系统建立了最优稀疏恢复保证，针对不同采样和相同采样两种情形引入了改进的理论界。结果表明，通过适当的传感器配置，总测量数与稀疏度呈线性关系，且独立于传感器数量，从而在磁共振成像和多视角成像等多样化应用中实现高效、可扩展的信号恢复。

ABSTRACT

Many practical sensing applications involve multiple sensors simultaneously acquiring measurements of a single object. Conversely, most existing sparse recovery guarantees in compressed sensing concern only single-sensor acquisition scenarios. In this paper, we address the optimal recovery of compressible signals from multi-sensor measurements using compressed sensing techniques, thereby confirming the benefits of multi- over single-sensor environments. Throughout the paper, we consider a broad class of sensing matrices, and two fundamentally different sampling scenarios (distinct and identical respectively), both of which are relevant to applications. For the case of diagonal sensor profile matrices (which characterize environmental conditions between a source and the sensors), this paper presents two key improvements over existing results. First, a simpler optimal recovery guarantee for distinct sampling, and second, an improved recovery guarantee for identical sampling, based on the so-called sparsity in levels signal model.

研究动机与目标

• 为解决多传感器压缩感知中缺乏理论恢复保证的问题，特别是针对多个传感器对单一信号进行测量的系统。
• 分析并改进两种基本采样情形下的恢复性能：不同采样（独立传感器矩阵）与相同采样（共享测量矩阵但配置不同）。
• 推导传感器配置矩阵的新充分条件，以确保在最小测量数下实现最优恢复，且独立于传感器数量。
• 提供可计算的恢复阈值，以支持实际传感器设计与系统优化。
• 通过不同传感器配置和信号模型下的数值相变实验验证理论发现。

提出的方法

• 提出一种广义并行采集模型，其中每个传感器使用标准压缩感知矩阵与确定性传感器配置矩阵相乘形成的测量矩阵。
• 提出一种基于分层稀疏性模型的新恢复条件，该条件在相同采样情形下可实现更优的界。
• 定义两个关键可计算量 $\Upsilon_{\mathrm{distinct}}$ 和 $\Upsilon_{\mathrm{identical}}$，分别决定恢复性能，其计算时间复杂度分别为 $\mathcal{O}(CN)$ 和 $\mathcal{O}(CN^2)$。
• 应用带噪声约束的 $\ell^1$-最小化基追踪算法，从多传感器测量中重构信号。
• 通过分析传感器配置矩阵的相干性与结构特征（特别是分段常数与带状配置），推导理论恢复保证，尤其关注此类配置。
• 通过随机傅里叶感知矩阵与带状对角配置在不同传感器数量下的实验相变曲线，验证结果。

实验结果

研究问题

• RQ1 能否在具有通用传感器配置矩阵的多传感器压缩感知系统中保证最优稀疏恢复？
• RQ2 在不同采样与相同采样情形下，所需测量数如何随稀疏度与传感器数量变化？
• RQ3 传感器配置矩阵的何种结构特性可确保恢复性能最优，且独立于传感器数量？
• RQ4 与标准稀疏性模型相比，分层稀疏性模型是否能改善相同采样情形下的恢复保证？
• RQ5 特定传感器配置设计（如分段常数或带状配置）如何影响理论与实际恢复性能？

主要发现

• 在不同采样情形下，当传感器配置矩阵 $V$ 与标准压缩感知矩阵的相干性满足 $\mu(V) \lesssim C^{-1}$ 时，可保证最优恢复，确保总测量数与稀疏度呈线性关系，且独立于 $C$。
• 在相同采样情形下，当分区数 $D$ 满足 $C/D \lesssim 1$ 时，可实现最优恢复，从而以最小测量开销恢复分层稀疏信号。
• 带状传感器配置示例中，当 $r_1=1$，$r_2=0$ 时，对任意 $C$ 均有 $\Upsilon_{\mathrm{distinct}}, \Upsilon_{\mathrm{identical}} \leq 2$，证实无论传感器数量多少，均可实现最优恢复。
• 数值相变结果表明，随着传感器数量 $C$ 增加，实际恢复成功率提高，验证了在不同采样与相同采样情形下的理论预测。
• $\Upsilon_{\mathrm{distinct}}$ 与 $\Upsilon_{\mathrm{identical}}$ 的恢复阈值分别可在 $\mathcal{O}(CN)$ 与 $\mathcal{O}(CN^2)$ 时间内计算，支持最优传感器配置的实际设计。
• 结果证实，多传感器系统可实现最优恢复，且每个传感器的平均测量数与 $s/C$ 成比例，展示了多传感器压缩感知相对于单传感器系统的理论优势。