[论文解读] Sparse Phase Retrieval via Truncated Amplitude Flow

Gang Wang, Liang Zhang+3 more|arXiv (Cornell University)|Nov 23, 2016

Advanced X-ray Imaging Techniques参考文献 52被引用 16

一句话总结

该论文提出SPARTA，一种新颖的稀疏相位检索算法，结合了支撑恢复与截断振幅流，从仅含幅度的测量中重建稀疏信号。该方法在高概率下实现精确恢复，仅需 $k^2\log n$ 个高斯测量，并以 $\mathcal{O}(k^2n\log n)$ 的时间复杂度运行，相较于先前方法计算效率提升 $k$ 倍，同时对有界噪声保持鲁棒性。

ABSTRACT

This paper develops a novel algorithm, termed \emph{SPARse Truncated Amplitude flow} (SPARTA), to reconstruct a sparse signal from a small number of magnitude-only measurements. It deals with what is also known as sparse phase retrieval (PR), which is \emph{NP-hard} in general and emerges in many science and engineering applications. Upon formulating sparse PR as an amplitude-based nonconvex optimization task, SPARTA works iteratively in two stages: In stage one, the support of the underlying sparse signal is recovered using an analytically well-justified rule, and subsequently, a sparse orthogonality-promoting initialization is obtained via power iterations restricted on the support; and, in the second stage, the initialization is successively refined by means of hard thresholding based gradient-type iterations. SPARTA is a simple yet effective, scalable, and fast sparse PR solver. On the theoretical side, for any $n$-dimensional $k$-sparse ($k\ll n$) signal $\bm{x}$ with minimum (in modulus) nonzero entries on the order of $(1/\sqrt{k})\|\bm{x}\|_2$, SPARTA recovers the signal exactly (up to a global unimodular constant) from about $k^2\log n$ random Gaussian measurements with high probability. Furthermore, SPARTA incurs computational complexity on the order of $k^2n\log n$ with total runtime proportional to the time required to read the data, which improves upon the state-of-the-art by at least a factor of $k$. Finally, SPARTA is robust against additive noise of bounded support. Extensive numerical tests corroborate markedly improved recovery performance and speedups of SPARTA relative to existing alternatives.

研究动机与目标

• 为解决仅能获取幅度测量时的稀疏相位检索这一NP难问题。
• 开发一种可扩展且高效的算法，实现从最少测量中对稀疏信号的精确恢复。
• 相较于现有非凸求解器（如 TWF 和 AltMinPhase），降低计算复杂度，同时保持高恢复精度。
• 在实际应用中对有界加性噪声保持鲁棒性。
• 在现实的信号与测量条件下，提供关于精确恢复的理论保证。

提出的方法

• SPARTA 采用两阶段方法：首先，利用解析上合理的规则恢复稀疏信号的支撑。
• 其次，通过限制在估计支撑上的幂迭代，实现稀疏正交性促进的初始化。
• 随后，利用基于硬阈值的梯度类型迭代对初始化进行精炼，以保持稀疏性并加速收敛。
• 采用基于截断振幅的经验风险最小化，以避免梯度更新中的噪声放大。
• 通过维度缩减加速计算，同时保持恢复精度。
• 通过合理选择步长与截断阈值，确保迭代点始终位于全局最优解的吸引域内，从而实现线性收敛。

实验结果

研究问题

• RQ1 结合支撑恢复与截断梯度流的两阶段算法，能否在少于现有方法的测量数下实现精确稀疏相位检索？
• RQ2 采用非凸、非正则化方法时，精确恢复 $k$-稀疏信号所需的最少随机高斯测量数是多少？
• RQ3 能否将稀疏相位检索的计算复杂度相比最先进算法降低 $k$ 倍？
• RQ4 SPARTA 在有界加性噪声下的表现如何？是否在无需显式正则化的情况下仍保持鲁棒性？
• RQ5 能否为基于硬阈值的截断振幅流在稀疏场景下的收敛性与恢复性建立理论保证？

主要发现

• SPARTA 以高概率从约 $k^2\log n$ 个随机高斯测量中实现对任意 $k$-稀疏 $n$-维信号（至多相差一个全局单位模常数）的精确恢复。
• 当初始化位于吸引域内且合理选择步长与截断阈值时，SPARTA 确保迭代点线性收敛至真实信号。
• SPARTA 的计算复杂度为 $\mathcal{O}(k^2n\log n)$，相比最先进方法提升 $k$ 倍。
• 该方法对具有有界支持的加性噪声具有鲁棒性，无需显式建模噪声即可保持稳定性能。
• 数值实验表明，SPARTA 在恢复精度与运行时效率方面显著优于现有方法。
• 理论分析证实，稀疏初始化阶段以高概率落入吸引域内，从而确保后续精炼阶段的可靠性。