[论文解读] Robust Recovery of Signals From a Structured Union of Subspaces

Yonina C. Eldar, Moshe Mishali|ArXiv.org|Jul 29, 2008

Sparse and Compressive Sensing Techniques参考文献 32被引用 5

一句话总结

本文提出了一种凸优化框架，用于从有限组线性样本中鲁棒且高效地恢复位于结构化k个子空间并集中的信号。通过将问题建模为使用混合ℓ₂/ℓ₁最小化实现的块稀疏恢复，作者基于块受限等距性质（block-RIP）建立了完美恢复和稳定恢复的充分条件，将压缩感知推广至具有可证明保证的结构化子空间并集。

ABSTRACT

Traditional sampling theories consider the problem of reconstructing an unknown signal $x$ from a series of samples. A prevalent assumption which often guarantees recovery from the given measurements is that $x$ lies in a known subspace. Recently, there has been growing interest in nonlinear but structured signal models, in which $x$ lies in a union of subspaces. In this paper we develop a general framework for robust and efficient recovery of such signals from a given set of samples. More specifically, we treat the case in which $x$ lies in a sum of $k$ subspaces, chosen from a larger set of $m$ possibilities. The samples are modelled as inner products with an arbitrary set of sampling functions. To derive an efficient and robust recovery algorithm, we show that our problem can be formulated as that of recovering a block-sparse vector whose non-zero elements appear in fixed blocks. We then propose a mixed $\ell_2/\ell_1$ program for block sparse recovery. Our main result is an equivalence condition under which the proposed convex algorithm is guaranteed to recover the original signal. This result relies on the notion of block restricted isometry property (RIP), which is a generalization of the standard RIP used extensively in the context of compressed sensing. Based on RIP we also prove stability of our approach in the presence of noise and modelling errors. A special case of our framework is that of recovering multiple measurement vectors (MMV) that share a joint sparsity pattern. Adapting our results to this context leads to new MMV recovery methods as well as equivalence conditions under which the entire set can be determined efficiently.

研究动机与目标

• 开发一种计算高效且鲁棒的恢复算法，用于从m种可能子空间中选取的k个子空间并集中的信号。
• 解决在真实子空间事先未知、存在噪声和失配条件下的信号恢复挑战。
• 通过引入块-RIP框架，将压缩感知理论推广至结构化子空间并集。
• 提供明确的、非渐近的条件，以保证所提出的凸优化方法实现完美和稳定恢复。
• 将该框架特化至多测量向量（MMV）问题，提出新的恢复方法和基于块-RIP的等价条件。

提出的方法

• 将信号恢复问题重新表述为块稀疏向量恢复问题，其中非零系数出现在固定且预定义的块中。
• 使用混合ℓ₂/ℓ₁优化程序（二阶锥规划）以在系数向量中促进块稀疏性。
• 将块受限等距性质（block-RIP）定义为标准RIP在处理块结构子空间时的推广。
• 基于采样算子和子空间基变换，从测量矩阵的块-RIP出发，推导出精确恢复的充分条件。
• 通过用块-RIP常数界定重构误差，证明在噪声和信号失配情况下的恢复稳定性。
• 分析随机采样矩阵，表明在适当的参数维度下，块-RIP条件以高概率成立。

实验结果

研究问题

• RQ1 当信号位于m种可能子空间中的k个子空间并集中时，其在何种条件下可从线性样本中被精确恢复？
• RQ2 如何设计一种凸优化方法，以利用稀疏模式中的块结构来提升恢复性能？
• RQ3 为确保在结构化子空间并集模型中实现稳定恢复，需要对受限等距性质（RIP）进行何种推广？
• RQ4 在存在噪声以及信号不完全位于子空间并集中的情况下，该方法表现如何？
• RQ5 该框架能否特化至多测量向量（MMV）问题？若能，将产生哪些新的恢复保证或等价关系？

主要发现

• 若测量矩阵满足块-RIP条件且常数小于√(2k−1)/(k−1)（当k>1时），所提出的混合ℓ₂/ℓ₁最小化算法可保证对原始信号的完美恢复。
• 在存在噪声和建模误差的情况下，该方法可确保稳定恢复，重构误差被有界为噪声水平和最佳块稀疏逼近误差的倍数。
• 当测量矩阵为随机采样时，若样本数n满足O(k log(m/k))的量级（m个子空间，块大小为k），则块-RIP条件以高概率成立。
• 该框架将压缩感知推广至结构化子空间并集，允许非零系数之间存在线性依赖关系，而不仅限于稀疏模式。
• 对于MMV问题，该方法导出一种新恢复方案，其中每个测量向量依赖于所有未知向量，从而提升恢复率，并在块-RIP下实现MMV算法间的等价性结果。
• 结果为非渐近性，适用于有限维结构化子空间并集，且对恢复性能提供了明确的界。