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

Yonina C. Eldar, Moshe Mishali|arXiv (Cornell University)|Jul 29, 2008

Sparse and Compressive Sensing Techniques参考文献 22被引用 62

一句话总结

本文提出了一种鲁棒且高效的信号恢复方法，适用于位于子空间并集中的信号，采用混合 ℓ2/ℓ1 最小化框架。基于块受限等距性质（block RIP）建立了保证稳定且唯一恢复的等价条件，将压缩感知原理扩展至结构化信号模型，如块稀疏向量和多测量向量（MMV）。

ABSTRACT

Traditional sampling theories consider the problem of reconstructing an unknown signal x from a series of samples. A prevalent assumption which often guarantees a unique signal consistent with 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 is assumed to lie in a union of subspaces. An example is the case in which x is a finite length vector that is sparse in a given basis. 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 finite union of finite dimensional spaces and the samples are modelled as inner products with an arbitrary set of sampling functions. We first develop conditions under which unique and stable recovery of x is possible, albeit with algorithms that have combinatorial complexity. To derive an efficient and robust recovery algorithm, we then show that our problem can be formulated as that of recovering a block sparse vector, namely a vector whose non-zero elements appear in fixed blocks. To solve this problem, we suggest minimizing a mixed ℓ2/ℓ1 norm subject to the measurement equations. We then develop equivalence conditions under which the proposed convex algorithm is guaranteed to recover the original signal. These results rely 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. A special case of the proposed framework is that of recovering multiple measurement vectors (MMV) that share a joint sparsity pattern. Specializing 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

• 解决在有限维子空间并集中恢复信号的挑战，提出超越传统单子空间假设的结构化模型。
• 为这类子空间并集中的信号开发一种鲁棒且高效的恢复算法，尤其当采样数据以与任意采样函数的内积形式给出时。
• 基于块受限等距性质（block RIP）建立充分条件，以保证通过凸优化实现稳定且唯一的信号恢复。
• 将压缩感知理论推广至处理具有共享稀疏模式的块稀疏信号和多测量向量（MMV）。
• 提供等价条件，确保所提出的 ℓ2/ℓ1 最小化方法能精确恢复原始信号。

提出的方法

• 将信号恢复问题表述为块稀疏向量的恢复，其中非零元素被限制在预定义的块内。
• 提出在满足测量约束条件下最小化混合 ℓ2/ℓ1 范数，以促进块稀疏性并提高鲁棒性。
• 引入块受限等距性质（block RIP）作为标准RIP的推广，用于分析恢复的稳定性和唯一性。
• 推导出在存在噪声时，凸优化问题能唯一恢复原始信号的充分条件。
• 将该框架应用于多测量向量（MMV）问题，其中多个信号共享相同的稀疏模式。
• 证明当块RIP常数足够小时，所提方法可实现精确恢复，推广了压缩感知中的已知结果。

实验结果

研究问题

• RQ1 在何种条件下，可从线性测量中唯一且稳定地恢复位于子空间并集中的信号？
• RQ2 如何重新表述恢复问题以利用信号中的块结构，特别是当非零系数出现在固定块中时？
• RQ3 块受限等距性质（block RIP）在确保块稀疏恢复的凸松弛方法成功中的作用是什么？
• RQ4 所提出的 ℓ2/ℓ1 最小化框架能否高效应用于具有联合稀疏性的多测量向量（MMV）问题？
• RQ5 在存在噪声测量的情况下，何种等价条件可保证凸优化方法精确恢复原始信号？

主要发现

• 当块受限等距性质（block RIP）的常数足够小时，所提出的混合 ℓ2/ℓ1 最小化方法可保证从子空间并集中稳定且鲁棒地恢复信号。
• 当块RIP常数在 2k 阶下小于 √2 − 1 时可实现精确恢复，其中 k 为块的数量，该结果推广了标准压缩感知中的已知界。
• 该框架将标准压缩感知推广至结构化信号模型，包括块稀疏向量和具有共享稀疏模式的多测量向量（MMV）。
• 在MMV情况下，当所有向量共享相同支撑时，该方法可在相同的块RIP条件下高效恢复集合中的所有向量。
• 推导出的等价条件确保即使在有界噪声下，凸松弛方法也能精确恢复原始信号。
• 该方法在多项式时间复杂度下实现组合恢复性能，克服了在子空间上进行暴力搜索的不可行性。