[论文解读] Practical approximate projection schemes in greedy signal space methods

Chris Garnatz, Xiaoyi Gu+4 more|arXiv (Cornell University)|Sep 4, 2014

Sparse and Compressive Sensing Techniques参考文献 16被引用 7

一句话总结

本文提出适用于贪婪信号空间方法的实用近似投影方案，特别针对冗余字典中稀疏的信号提升信号空间 CoSaMP（SSCoSaMP）的性能。提出两种混合方法——USSCoSaMP（alt）与USSCoSaMP（union），结合OMP与CoSaMP以实现对聚类、分离良好及混合型信号的优越恢复效果，在多种信号类别中实现接近完美的恢复性能，且在低测量数下表现优异。

ABSTRACT

Compressive sensing (CS) is a new signal acquisition paradigm which shows that far fewer samples are required to reconstruct sparse signals than previously thought. Although most of the literature focuses on signals sparse in a fixed orthonormal basis, recently the Signal Space CoSaMP (SSCoSaMP) greedy method was developed for the reconstruction of signals compressible in arbitrary redundant dictionaries. The algorithm itself needs access to approximate sparse projection schemes, which have been difficult to obtain and analyze. This paper investigates the use of several different projection schemes and catalogs for what types of signals each scheme can successfully be utilized. In addition, we present novel hybrid projection methods which outperform all other schemes on a wide variety of signal classes.

研究动机与目标

• 解决信号在任意非正交冗余字典中可压缩时，高效且准确的稀疏信号恢复挑战。
• 通过设计实用的近似方案，克服冗余字典中精确稀疏投影的计算不可行性。
• 开发结合OMP与CoSaMP优势的混合投影方法，以提升在多样化信号结构下的鲁棒性与恢复性能。
• 为现有及新型算法提供性能目录，指导实践者根据特定信号类型选择最优方法。

提出的方法

• 提出USSCoSaMP（alt），一种交替使用OMP与CoSaMP计算支持集Ω的变体，保持|Ω| = 2k。
• 引入USSCoSaMP（union），将独立运行OMP与CoSaMP所得支持集的并集作为Ω，允许|Ω| ∈ [2k, 4k]。
• 利用OMP、CoSaMP或ℓ₁-最小化作为SSCoSaMP的核心子程序，通过近似稀疏投影估计信号空间中最佳k稀疏逼近。
• 集成一种混合策略，动态选择或组合投影输出，以增强对信号结构（如聚类与分离系数）的鲁棒性。
• 应用D-RIP准则，确保在一般字典结构下具备理论恢复保证。
• 使用4倍冗余的DFT字典和不同测量数m，在多种信号模型（聚类、分散、混合）上进行性能基准测试。

实验结果

研究问题

• RQ1 在高度冗余、非正交字典下，哪些近似投影方案能实现最鲁棒的信号恢复？
• RQ2 结合OMP与CoSaMP的混合投影策略，在恢复具有不同系数分布的信号时，与单一方法相比表现如何？
• RQ3 能否设计一种单一算法，在包括聚类、分离良好及混合稀疏信号在内的多种信号类型中均实现高恢复性能？
• RQ4 在使用混合投影方案时，测量数m对恢复性能有何影响？
• RQ5 所提出的USSCoSaMP框架如何检测失败案例？其在检测不完全恢复方面的可靠性如何？

主要发现

• USSCoSaMP（alt）在m = 40次测量时对聚类信号实现100%恢复，优于SSCoSaMP（OMP）需m = 50才能实现完全恢复。
• USSCoSaMP（union）在m = 40时对分离良好的信号实现100%恢复，性能与SSCoSaMP（CoSaMP）相当，且在m ≥ 30范围内优于SSCoSaMP（OMP）。
• 对于混合信号，USSCoSaMP在m = 100时实现65%恢复率，显著优于SSCoSaMP（CoSaMP）的0%和SSCoSaMP（OMP）的0%。
• USSCoSaMP变体通过检测失败恢复尝试展现出鲁棒性，失败试验中残差范数从未低于阈值。
• NOMP在所有测试的信号类型中均实现100%恢复，包括双聚类与四聚类信号，是基准测试中的最佳表现者。
• 混合USSCoSaMP框架是目前唯一在聚类与分离良好信号模型上均表现优异的方法，弥合了信号空间恢复中的关键空白。