[论文解读] Robust Compressive Phase Retrieval via L1 Minimization With Application to Image Reconstruction

Zai Yang, Cishen Zhang+1 more|arXiv (Cornell University)|Feb 1, 2013

Advanced X-ray Imaging Techniques参考文献 2被引用 23

一句话总结

该论文提出了一种基于L1最小化的鲁棒压缩相位恢复框架，利用稀疏性从欠采样的傅里叶模值测量中重建信号。在无噪声条件下，证明了非负实信号为最优解，并开发了高效的交替方向算法，展示了在仅使用全测量20%的情况下，能够实现快速、准确且抗噪声的图像重建。

ABSTRACT

Phase retrieval refers to a classical nonconvex problem of recovering a signal from its Fourier magnitude measurements. Inspired by the compressed sensing technique, signal sparsity is exploited in recent studies of phase retrieval to reduce the required number of measurements, known as compressive phase retrieval (CPR). In this paper, l1 minimization problems are formulated for CPR to exploit the signal sparsity and alternating direction algorithms are presented for problem solving. For real-valued, nonnegative image reconstruction, the image of interest is shown to be an optimal solution of the formulated l1 minimization in the noise free case. Numerical simulations demonstrate that the proposed approach is fast, accurate and robust to measurements noises.

研究动机与目标

• 通过利用信号稀疏性来减少测量需求，以解决相位恢复问题的病态性。
• 开发一种对噪声具有鲁棒性且计算高效的压缩相位恢复凸优化框架。
• 在无噪声情况下，为非负实值信号的L1最小化信号恢复建立理论保证。
• 设计并评估基于交替方向法的一阶迭代算法，以求解所提出的L1最小化问题。
• 在不同噪声和测量条件下，对模拟稀疏图像和真实非负卫星图像验证该方法的性能。

提出的方法

• 构建类似LASSO的优化问题：min ||x||₁ + (λ/2)|||FΩx| - b||₂²，以促进稀疏性并拟合含噪声的模值测量。
• 将问题重述为约束型L1最小化：min ||x||₁，满足|||FΩx| - b||₂ ≤ ε，以增强对噪声的鲁棒性。
• 应用交替方向法（ADM）通过变量分裂和增广拉格朗日技术求解非凸、非光滑优化问题。
• 引入带有自适应惩罚参数的定点连续方法，以加速收敛并提高稳定性。
• 采用两步迭代更新：首先通过软阈值法更新信号估计，然后通过投影操作强制满足傅里叶模值一致性。
• 采用基于相对残差容差（≤10⁻³）或最大迭代次数（500）的停止准则。

实验结果

研究问题

• RQ1 在存在噪声的情况下，L1最小化能否可靠地从欠采样的傅里叶模值测量中重建稀疏信号？
• RQ2 在无噪声情况下，真实非负信号是否为L1最小化问题的最优解？
• RQ3 所提出的基于ADM的算法在准确性和速度上与现有压缩相位恢复的迭代法和凸优化方法相比如何？
• RQ4 非负图像稳定且准确重建所需的傅里叶模值测量的最小数量是多少？
• RQ5 随着测量噪声水平的增加，重建性能如何退化？

主要发现

• 在无噪声情况下，真实非负信号被证明是L1最小化问题的最优解，为该方法提供了理论依据。
• 对于16×16图像，当稀疏度K ≤ 20时，该方法的恢复成功率超过90%，其中非负图像的恢复成功率最高。
• 重建误差随噪声能量近似线性增长，表明对测量噪声具有可预测的鲁棒性。
• 仅使用20%的完整傅里叶模值测量（M/N = 0.2）时，该方法在256×256卫星图像上实现了11.6 dB的重建信噪比，计算时间低于10秒。
• 该算法速度快，可在10秒内完成大规模图像（65,536像素）的重建，并在低测量率下仍保持高保真度。
• 该方法在速度和鲁棒性方面优于现有方法，尤其在非负图像重建方面表现更优，对全局相位模糊性具有极低的敏感性。