[论文解读] Stable image reconstruction using total variation minimization

Deanna Needell, Rachel Ward|arXiv (Cornell University)|Feb 29, 2012

Sparse and Compressive Sensing Techniques参考文献 41被引用 8

一句话总结

本文建立了在使用总变差（TV）最小化进行欠采样噪声测量时，对稳定图像重建的近最优恢复保证。证明了O(s log N) 个非自适应测量即可实现与最佳s项梯度近似之间的对数因子内重建，通过略微增加测量数可消除该因子。

ABSTRACT

This article presents near-optimal guarantees for accurate and robust image recovery from under-sampled noisy measurements using total variation minimization. In particular, we show that from O(slog(N)) nonadaptive linear measurements, an image can be reconstructed to within the best s-term approximation of its gradient up to a logarithmic factor, and this factor can be removed by taking slightly more measurements. Along the way, we prove a strengthened Sobolev inequality for functions lying in the null space of suitably incoherent matrices.

研究动机与目标

• 解决在压缩感知中从高度欠采样、噪声污染的测量中稳定且鲁棒地恢复图像的挑战。
• 为在测量稀疏且受噪声污染时，使用总变差最小化重建图像提供理论保证。
• 建立TV最小化相对于图像梯度最佳s项近似的近最优恢复误差。
• 通过证明相干矩阵零空间的新型Sobolev型不等式，加强压缩感知在图像领域的理论基础。

提出的方法

• 将图像恢复表述为一个凸优化问题，通过最小化总变差（TV）并满足与噪声测量的数据一致性。
• 将限制等距性质（RIP）作为测量矩阵的关键条件，以确保稳定恢复。
• 证明了针对相干矩阵零空间中函数的强化Sobolev不等式，从而实现更紧的误差界。
• 利用离散图像梯度与L1空间中有界变差（BV）函数之间的联系，以界定近似误差。
• 应用调和分析结果，特别是双变量Haar系数的衰减特性，将TV半范数与近似误差关联起来。
• 利用RIP和TV结构，推导出L2恢复误差在最佳s项梯度近似和噪声水平方面的界。

实验结果

研究问题

• RQ1 当信号在梯度域可压缩时，总变差最小化能否在O(s log N) 个非自适应测量下稳定重建图像？
• RQ2 TV图像恢复的测量数与重建误差之间最优权衡为何？
• RQ3 测量矩阵的结构（如非相干性、RIP）如何影响TV最小化的稳定性和鲁棒性？
• RQ4 通过略微增加测量数，是否可消除重建误差界中的对数因子？
• RQ5 函数有界变差性与Haar系数衰减之间的理论联系为何？

主要发现

• 总变差最小化可在O(s log N) 个非自适应测量下实现稳定图像重建，重建误差在最佳s项梯度近似对数因子内。
• 通过略微增加测量数，可消除误差界中的对数因子，实现最优误差标度。
• 证明了针对相干矩阵零空间中函数的新型强化Sobolev不等式，为关键恢复保证提供了理论基础。
• 连续图像函数的有界变差（BV）半范数受像素网格离散总变差的控制，从而可使用连续分析工具。
• 图像的双变量Haar系数以O(1/k) 速度衰减，衰减速率由BV半范数控制，从而将小波域中的稀疏性与TV结构联系起来。
• 恢复误差被界为C(‖x − xs‖₁ / √s + ε)，与Kashin和Garnaev–Gluskin建立的最优率一致，证实了该方法的近最优性。