[论文解读] Spectral Compressed Sensing via Structured Matrix Completion

Yuxin Chen, Yuejie Chi|arXiv (Cornell University)|Apr 16, 2013

Sparse and Compressive Sensing Techniques参考文献 19被引用 30

一句话总结

该论文提出了一种增强矩阵补全（EMaC）方法，这是一种非参数化的谱压缩感知方法，通过利用多重复Hankel结构和核范数最小化，从少量时域样本中重建光谱稀疏信号。该方法在仅使用 O(r log²n) 个样本的情况下，以高概率实现精确恢复，接近信息论极限，并克服了离散傅里叶字典中的基失配问题。

ABSTRACT

The paper studies the problem of recovering a spectrally sparse object from a small number of time domain samples. Specifically, the object of interest with ambient dimension $n$ is assumed to be a mixture of $r$ complex multi-dimensional sinusoids, while the underlying frequencies can assume any value in the unit disk. Conventional compressed sensing paradigms suffer from the {\em basis mismatch} issue when imposing a discrete dictionary on the Fourier representation. To address this problem, we develop a novel nonparametric algorithm, called enhanced matrix completion (EMaC), based on structured matrix completion. The algorithm starts by arranging the data into a low-rank enhanced form with multi-fold Hankel structure, then attempts recovery via nuclear norm minimization. Under mild incoherence conditions, EMaC allows perfect recovery as soon as the number of samples exceeds the order of $\mathcal{O}(r\log^{2} n)$. We also show that, in many instances, accurate completion of a low-rank multi-fold Hankel matrix is possible when the number of observed entries is proportional to the information theoretical limits (except for a logarithmic gap). The robustness of EMaC against bounded noise and its applicability to super resolution are further demonstrated by numerical experiments.

研究动机与目标

• 解决当频率连续分布在单位圆盘内而非离散网格上时，压缩感知中的基失配问题。
• 开发一种非参数化算法，无需事先知道正弦信号数量即可恢复光谱稀疏信号。
• 在较弱的非相干性条件下，仅使用最少数量的时域样本实现精确恢复。
• 为低秩多重复Hankel矩阵补全提供理论保证，其性能接近信息论极限。
• 展示方法在实际应用中对有界噪声和异常值的鲁棒性，并适用于超分辨率任务。

提出的方法

• 该方法从时域样本构建一个具有 K 重Hankel结构的增强矩阵，以利用低秩结构。
• 通过构造一个核范数最小化问题来完成该结构化矩阵，从而促进低秩解。
• 通过高爾夫球方案构建对偶证书，证明在概率采样下可实现精确恢复。
• 算法采用多阶段采样过程，使用独立同分布的伯努利采样，以确保与低秩子空间的非相干性。
• 理论分析依赖于涉及 μ₁、μ₂、μ₃ 和谱稀疏度 r 的非相干性条件，以界定重建误差。
• 该方法通过结构化矩阵补全直接处理连续频率，避免了离散化。

实验结果

研究问题

• RQ1 能否通过避免使用离散傅里叶字典，在不产生基失配的情况下实现谱压缩感知？
• RQ2 对于具有连续频率的光谱稀疏信号，实现精确恢复所需的最少时域样本数量是多少？
• RQ3 通过核范数最小化的结构化矩阵补全能否实现接近信息论极限的恢复性能？
• RQ4 该方法在实际应用中对有界噪声和异常值的鲁棒性如何？
• RQ5 该算法能否扩展至高精度频率估计的超分辨率问题？

主要发现

• EMaC 仅使用 O(r log²n) 个随机时域样本，即可以高概率实现光谱稀疏信号的精确恢复。
• 理论保证表明，在样本数量超过 r log²n 阶数且满足弱非相干性条件时，恢复是可行的。
• 该方法的恢复性能接近信息论极限，样本复杂度仅存在对数差距。
• 数值实验验证了其对有界噪声的鲁棒性，并成功应用于超分辨率任务。
• 通过高爾夫球方案构建的对偶证书，确保在适当的采样制度下以高概率实现精确恢复。
• 理论边界是首个在多维设置下接近低秩Hankel矩阵补全信息论极限的成果。