[论文解读] Perfect simulation for Bayesian wavelet thresholding with correlated coefficients

Graeme K. Ambler, Bernard W. Silverman|ArXiv.org|Mar 15, 2009

Image and Signal Denoising Methods参考文献 17被引用 3

一句话总结

本文提出了一种贝叶斯小波阈值方法，通过使用区域相互作用点过程先验来建模相关的小波系数，从而利用耦合从未来（CFTP）实现后验分布的精确抽样。该方法在中高信噪比下，相较于标准方法如SureShrink和BayesThresh，在均方误差方面表现更优，尤其适用于具有系数聚类特性的信号。

ABSTRACT

We introduce a new method of Bayesian wavelet shrinkage for reconstructing a signal when we observe a noisy version. Rather than making the common assumption that the wavelet coefficients of the signal are independent, we allow for the possibility that they are locally correlated in both location (time) and scale (frequency). This leads us to a prior structure which is analytically intractable, but it is possible to draw independent samples from a close approximation to the posterior distribution by an approach based on Coupling From The Past.

研究动机与目标

• 为解决贝叶斯小波阈值中假设系数独立所带来的局限性，该假设无法捕捉真实信号中的局部聚类特性。
• 利用反映时间与尺度上局部相关性的空间点过程先验来建模小波系数之间的依赖关系。
• 开发一种基于模拟的推断方法，保证从后验分布中获得精确样本，避免马尔可夫链蒙特卡洛（MCMC）方法固有的收敛性问题。
• 在标准测试信号上，评估所提方法与现有小波阈值技术的性能表现。

提出的方法

• 采用区域相互作用点过程作为小波系数的先验，以诱导局部聚类，其中非零系数会提高邻近系数也为非零的概率。
• 将小波系数建模为在零处的点质量与一个正态分布的混合，其方差依赖于尺度，并在此基础上引入空间依赖结构。
• 应用耦合从未来（CFTP）方法，从后验分布中生成精确样本，从而克服标准MCMC方法固有的收敛不确定性。
• 在CFTP框架中结合块Gibbs采样与单调耦合，确保链收敛至唯一的平稳状态。
• 采用似然模型，其中给定真实系数，观测到的含噪系数条件服从正态分布，且方差已知。
• 在CFTP框架内引入Metropolis-Hastings步骤，以更新系数状态，同时保持细致平衡性，确保精确抽样。

实验结果

研究问题

• RQ1 在含噪环境下，建模小波系数之间的局部相关性是否能提升信号重建的准确性？
• RQ2 使用能促进系数聚类的空间点过程先验，是否能优于独立系数假设下的性能表现？
• RQ3 耦合从未来（CFTP）能否有效适配于高维、非独立同分布的小波阈值模型，以生成精确的后验样本？
• RQ4 在不同信噪比下，所提方法在均方误差方面与SureShrink、交叉验证、BayesThresh和FDR等既有方法相比表现如何？
• RQ5 该方法的性能在多大程度上依赖于超参数γ、λ、τ和σ的选择？

主要发现

• 在信噪比为25和10时，所提出的区域相互作用贝叶斯阈值（AIBT）方法在所有方法中取得了最低的平均均方误差（AMSE），尤其在Bumps和Heavisine信号上表现突出。
• 在信噪比25下，AIBT在Bumps信号上的AMSE为84（1），显著优于SureShrink的131（6）和普通BayesThresh的1651（17）。
• 在Heavisine信号上，信噪比25时，AIBT的AMSE为32（1），优于SureShrink的66（2）和FDR的64（3）。
• 在较低信噪比（如SNR 3）下，AIBT仍具竞争力，Heavisine信号上的AMSE为153（6），优于FDR的148（3）和BayesThresh的140（4）。
• 该方法在保留聚类系数区域的信号结构方面表现出色，例如在Blocks信号中的块状特征以及Heavisine信号中的陡峭跃迁。
• 结果表明，通过区域相互作用先验引入系数相关性，能显著提升重建精度，尤其当真实信号具有稀疏且聚类的结构时。