[论文解读] Phase Retrieval via Incremental Truncated Wirtinger Flow

Ritesh Kolte, Ayfer Özgür|arXiv (Cornell University)|Jun 10, 2016

Advanced X-ray Imaging Techniques参考文献 6被引用 26

一句话总结

该论文提出了一种高效的相位恢复算法——增量截断Wirtinger流（ITWF），该算法逐个处理测量数据，实现了线性收敛，样本复杂度为最优的$O(n)$，且在统计性能上与全批量的截断Wirtinger流（TWF）相当，同时在实践中显著提升了计算速度，尤其在高维大规模数据场景下优势明显。

ABSTRACT

In the phase retrieval problem, an unknown vector is to be recovered given quadratic measurements. This problem has received considerable attention in recent times. In this paper, we present an algorithm to solve a nonconvex formulation of the phase retrieval problem, that we call $ extit{Incremental Truncated Wirtinger Flow}$. Given random Gaussian sensing vectors, we prove that it converges linearly to the solution, with an optimal sample complexity. We also provide stability guarantees of the algorithm under noisy measurements. Performance and comparisons with existing algorithms are illustrated via numerical experiments on simulated and real data, with both random and structured sensing vectors.

研究动机与目标

• 解决全批量相位恢复算法（如截断Wirtinger流，TWF）的高计算成本问题，这些算法每轮迭代都需要完整遍历全部数据。
• 开发一种TWF的增量变体，逐个处理测量数据，将每轮迭代的计算成本降低$m$倍，类似于随机梯度下降的机制。
• 在实现更快实际收敛速度的同时，保持TWF的强理论保证，如线性收敛性和对噪声的鲁棒性。
• 证明即使理论每轮迭代成本相近，增量方法仍能在计算效率上超越TWF，这是由于其显著降低的内存占用和通信开销。
• 在随机高斯测量向量和结构化测量向量（包括具有编码衍射图案的真实成像数据）上验证该方法的有效性。

提出的方法

• 设计一种增量优化框架，每轮迭代仅使用一个随机选择的测量值$y_i = |m{a}_i^*m{z}|^2$来更新估计值，而非使用全部$m$个测量值的完整梯度。
• 在梯度计算中引入截断机制，以抑制噪声并提升收敛性，动态地根据对信号能量的实时估计调整截断阈值。
• 采用两阶段算法：第一阶段通过截断幂迭代法进行初始化；第二阶段使用确保收敛性的步长规则进行增量更新。
• 利用Wirtinger流框架的结构，在随机高斯测量向量下保持理论保证，分析表明其可线性收敛至真实信号。
• 采用无放回采样策略访问数据，相比独立同分布的均匀采样，能降低方差并提升收敛速度。
• 在噪声环境下集成递减步长规则，以提升最终精度并减少达到收敛所需的迭代轮数。

实验结果

研究问题

• RQ1 能否设计出一种TWF的增量变体，使其在保持与全批量版本相同统计性能的同时降低计算成本？
• RQ2 该增量方法是否能实现线性收敛且具有最优样本复杂度$O(n)$，与TWF的理论保证一致？
• RQ3 在无噪声和有噪声条件下，ITWF与TWF相比，在收敛速度和最终精度方面表现如何？
• RQ4 ITWF能否处理结构化测量向量（如编码衍射图案或基于DFT的掩模）？在这些场景下是否仍保持计算优势？
• RQ5 在噪声环境和高维相位恢复问题中，何种步长和采样策略能最优平衡收敛速度与最终精度？

主要发现

• ITWF在i.i.d.高斯测量向量下，实现了与TWF相同的理论性能，即线性收敛至真实信号，且样本复杂度为最优的$O(n)$。
• 在数值实验中，ITWF仅需不到15轮数据遍历即可达到高精度解，而TWF在同一设置下需超过120轮才能达到相近精度。
• 对于结构化测量向量（如编码衍射图案），ITWF在10轮遍历后达到相对RMSE为$9.0 \times 10^{-16}$，而TWF在10轮后仅达到$6.6 \times 10^{-3}$，显著优于TWF。
• 在噪声测量条件下，ITWF在所有信噪比（SNR）水平下均达到与TWF几乎相同的最终相对MSE，证实其对噪声具有强鲁棒性。
• ITWF中采用递减步长规则可显著减少达到近似最优精度所需的轮数，从而在噪声环境中实现更快收敛。
• 尽管理论每轮迭代成本仅为TWF的$1/m$，ITWF在高维成像问题中仍展现出高达10倍的实际加速，即使在TWF采用FFT加速的情况下依然成立。