[论文解读] Performance Bounds for Sparse Signal Reconstruction with Multiple Side Information.

Huynh Van Luong, Jürgen Seiler+3 more|arXiv (Cornell University)|May 10, 2016

Sparse and Compressive Sensing Techniques参考文献 45被引用 4

一句话总结

本文提出RAMSI，一种利用自适应加权$n$-$\ell_1$最小化方法，通过多个相关联的辅助信息源实现稀疏信号重建的算法。该方法建立了更紧致的测量需求理论边界，并在合成数据与真实世界多视角图像数据上，理论与实践表现均显著优于经典方法与最先进方法。

ABSTRACT

In the context of compressed sensing (CS), this paper considers the problem of reconstructing sparse signals with the aid of other given correlated sources as multiple side information. To address this problem, we theoretically study a generic extcolor{black}{weighted $n$-$\ell_{1}$ minimization} framework and propose a reconstruction algorithm that leverages multiple side information signals (RAMSI). The proposed RAMSI algorithm computes adaptively optimal weights among the side information signals at every reconstruction iteration. In addition, we establish theoretical bounds on the number of measurements that are required to successfully reconstruct the sparse source by using extcolor{black}{weighted $n$-$\ell_{1}$ minimization}. The analysis of the established bounds reveal that extcolor{black}{weighted $n$-$\ell_{1}$ minimization} can achieve sharper bounds and significant performance improvements compared to classical CS. We evaluate experimentally the proposed RAMSI algorithm and the established bounds using synthetic sparse signals as well as correlated feature histograms, extracted from a multiview image database for object recognition. The obtained results show clearly that the proposed algorithm outperforms state-of-the-art algorithms--- extcolor{black}{including classical CS, $\ell_1 ext{-}\ell_1$ minimization, Modified-CS, regularized Modified-CS, and weighted $\ell_1$ minimization}---in terms of both the theoretical bounds and the practical performance.

研究动机与目标

• 解决在压缩感知中，当存在多个相关联的辅助信息信号时，稀疏信号重建的挑战。
• 开发一种重建算法，可在每次迭代中自适应地计算多个辅助信息信号之间的最优权重。
• 建立使用加权$n$-$\ell_1$最小化方法实现成功重建所需测量数的理论边界。
• 在理论与实践上，显著优于经典压缩感知方法及现有先进方法（如Modified-CS与加权$\ell_1$最小化）。

提出的方法

• 提出一种通用的加权$n$-$\ell_1$最小化框架，将多个辅助信息信号整合到稀疏信号重建中。
• 设计RAMSI算法，通过迭代方式基于目标信号与辅助信息信号的相关性，计算自适应的最优权重。
• 推导使用加权$n$-$\ell_1$最小化框架实现成功重建所需测量数的理论边界。
• 采用凸优化公式求解重建问题，通过加权$\ell_1$-范数正则化整合辅助信息。
• 采用贪心迭代策略，在每次重建步骤中优化权重分配，提升精度。
• 在合成稀疏信号及从多视角图像数据库提取的相关特征直方图上验证该方法。

实验结果

研究问题

• RQ1 能否有效利用多个辅助信息信号，以提升压缩感知中稀疏信号的重建精度？
• RQ2 与经典$\ell_1$最小化相比，加权$n$-$\ell_1$最小化在测量需求方面表现如何？
• RQ3 使用多个辅助信息源进行成功重建所需的测量数的理论边界是什么？
• RQ4 RAMSI中的自适应权重计算策略是否能在实际中优于固定权重或非加权方法？
• RQ5 在真实世界应用中，RAMSI与最先进算法（如Modified-CS与加权$\ell_1$最小化）相比表现如何？

主要发现

• 所提出的加权$n$-$\ell_1$最小化框架在所需测量数的理论边界上，较经典压缩感知更为紧致。
• RAMSI在理论边界与实际重建精度上，均显著优于经典$\ell_1$最小化、$\ell_1$-$\ell_1$最小化、Modified-CS、正则化Modified-CS及加权$\ell_1$最小化方法。
• RAMSI中的自适应权重计算通过动态调整辅助信息的相关性结构，显著提升了重建性能。
• 在合成信号与多视角图像特征直方图上的实验结果表明，RAMSI能以更少的测量数实现更高的重建精度。
• 理论分析表明，引入多个辅助信息信号可降低测量复杂度，尤其在信号高度相关时效果更显著。
• 当目标信号与辅助信息源之间具有强相关性时，性能提升最为明显。