[论文解读] Side Information-Aided Compressed Sensing Reconstruction via Approximate Message Passing

Xing Wang, Jie Liang|arXiv (Cornell University)|Nov 4, 2013

Sparse and Compressive Sensing Techniques被引用 8

一句话总结

本文提出GENP-AMP，一种利用广义弹性网络先验引入辅助信息的压缩感知重建方法，可消除相变边界并降低重建误差。通过将先验知识融入近似消息传递，该方法在所有信噪比范围内均实现有界误差，且无需依赖稀疏性或噪声方差知识。

ABSTRACT

In this paper, we study the compressed sensing reconstruction problem with generalized elastic net prior (GENP), where a sparse signal is sampled via a noisy underdetermined linear observation system, and an additional initial estimation of the signal (the GENP) is available during the reconstruction. We first incorporate the GENP into the LASSO and the approximate message passing (AMP) frameworks, denoted by GENP-LASSO and GENP-AMP respectively. We then investigate the parameter selection, state evolution, and noise-sensitivity analysis of GENP-AMP. We show that, thanks to the GENP, there is no phase transition boundary in the proposed frameworks, i.e., the reconstruction error is bounded in the entire plane. The error is also smaller than those of the standard AMP and scalar denoising. A practical parameterless version of the GENP-AMP is also developed, which does not need to know the sparsity of the unknown signal and the variance of the GENP. Simulation results are presented to verify the efficiency of the proposed schemes.

研究动机与目标

• 解决标准压缩感知方法因存在相变而导致低信噪比下重建失败的局限性。
• 将初始信号估计（广义弹性网络先验）形式的辅助信息整合到压缩感知重建过程中。
• 开发一种无需信号稀疏性或先验方差知识的无参数算法变体。
• 通过消除传统AMP和LASSO中存在的相变边界，确保在所有噪声水平下实现稳定的重建性能。
• 通过整合辅助信息，提升重建精度，优于标准AMP和标量去噪方法。

提出的方法

• 将广义弹性网络先验（GENP）集成到LASSO和近似消息传递（AMP）框架中，形成GENP-LASSO和GENP-AMP。
• 推导GENP-AMP的状态演化方程，以分析其渐近行为和收敛特性。
• 进行噪声敏感性分析，评估在观测模型中不同噪声水平下的鲁棒性。
• 设计一种实用的无参数GENP-AMP版本，可自适应调整未知的信号稀疏性和先验方差。
• 利用由GENP指导的去噪函数的近似消息传递，迭代优化信号估计。
• 应用状态演化分析，证明重建误差在所有信噪比下均保持有界。

实验结果

研究问题

• RQ1 通过广义弹性网络先验引入辅助信息，能否消除压缩感知重建中的相变边界？
• RQ2 GENP-AMP在不同噪声水平下与标准AMP和标量去噪方法相比，重建精度如何？
• RQ3 GENP对重建过程的稳定性和噪声敏感性有何影响？
• RQ4 能否开发一种无需事先知晓信号稀疏性或先验方差知识的无参数GENP-AMP版本？
• RQ5 GENP-AMP的状态演化是否证实了在整个信噪比平面上重建误差保持有界？

主要发现

• GENP-AMP消除了相变边界，确保在所有信噪比下重建误差保持有界。
• GENP-AMP的重建误差在所有测试噪声水平下均严格小于标准AMP和标量去噪方法。
• 所提出的无参数GENP-AMP变体在无需知晓信号稀疏性或先验方差的情况下，实现了稳定性能。
• 状态演化分析证实，即使在低信噪比区域，误差也保持有界且不会发散。
• 通过广义弹性网络先验整合辅助信息，显著提升了压缩感知重建的鲁棒性和精度。