[论文解读] Super-Resolution Compressed Sensing: A Generalized Iterative Reweighted L2 Approach

Jun Fang, Huiping Duan+3 more|arXiv (Cornell University)|Dec 8, 2014

Sparse and Compressive Sensing Techniques参考文献 22被引用 5

一句话总结

该论文提出了一种广义的迭代重加权 ℓ₂ 算法，用于超分辨率压缩感知，联合估计稀疏信号和字典中未知的连续域参数，克服了网格失配问题。通过使用主要化-最小化（MM）框架迭代最小化一个代理函数，该方法在稀疏信号恢复中实现了超分辨率精度，且相较于现有方法具有更高的鲁棒性和性能，尤其在测量数较少时表现更优。

ABSTRACT

Conventional compressed sensing theory assumes signals have sparse representations in a known, finite dictionary. Nevertheless, in many practical applications such as direction-of-arrival (DOA) estimation and line spectral estimation, the sparsifying dictionary is usually characterized by a set of unknown parameters in a continuous domain. To apply the conventional compressed sensing technique to such applications, the continuous parameter space has to be discretized to a finite set of grid points, based on which a "presumed dictionary" is constructed for sparse signal recovery. Discretization, however, inevitably incurs errors since the true parameters do not necessarily lie on the discretized grid. This error, also referred to as grid mismatch, may lead to deteriorated recovery performance or even recovery failure. To address this issue, in this paper, we propose a generalized iterative reweighted L2 method which jointly estimates the sparse signals and the unknown parameters associated with the true dictionary. The proposed algorithm is developed by iteratively decreasing a surrogate function majorizing a given objective function, resulting in a gradual and interweaved iterative process to refine the unknown parameters and the sparse signal. A simple yet effective scheme is developed for adaptively updating the regularization parameter that controls the tradeoff between the sparsity of the solution and the data fitting error. Extension of the proposed algorithm to the multiple measurement vector scenario is also considered. Numerical results show that the proposed algorithm achieves a super-resolution accuracy and presents superiority over other existing methods.

研究动机与目标

• 解决压缩感知中的网格失配问题，即真实信号参数在到达角（DOA）估计和线谱估计等应用中与离散化字典不匹配的问题。
• 开发一种方法，联合学习稀疏化字典中未知的连续域参数，并在不依赖固定预离散化网格的情况下恢复稀疏信号。
• 克服传统压缩感知因有限网格离散化导致的基失配问题，从而降低性能退化。
• 相比使用细网格或贪婪算法的方法，提升重建精度和数值稳定性。
• 通过直接在连续参数空间中操作，实现超分辨率信号恢复。

提出的方法

• 将问题公式化为非凸优化问题，利用一个能主要化原始目标函数的代理函数，从而通过主要化-最小化（MM）框架实现迭代最小化。
• 在 ℓ₂ 范数中引入迭代重加权策略，以促进稀疏性，同时以耦合、交错的方式优化字典参数。
• 提出一种自适应正则化参数更新方案，在迭代过程中平衡稀疏性与数据拟合误差。
• 利用矩阵微积分和复数导数，推导出目标函数关于未知参数的解析梯度。
• 将该算法应用于单测量向量（SMV）和多测量向量（MMV）场景，以增强其适用范围。
• 采用数据投影矩阵的低秩近似，以在迭代更新过程中保持计算效率。

实验结果

研究问题

• RQ1 联合估计稀疏信号和连续字典参数是否能够使超分辨率恢复超越固定网格压缩感知的性能？
• RQ2 所提出的迭代重加权 ℓ₂ 方法如何在无需精细离散化的情况下缓解网格失配问题？
• RQ3 自适应正则化对超分辨率压缩感知中收敛性和重建精度有何影响？
• RQ4 与最先进方法相比，该方法在测量数较少的情况下表现如何？
• RQ5 基于 MM 的框架是否能够在存在连续参数不确定性的情况下确保稳定且准确的恢复？

主要发现

• 所提出的算法实现了超分辨率精度，能够以超越传统网格分辨率的精度分辨频率分量。
• 仅使用 M=20 个测量值时，该算法的重建信号失真显著低于 SIHT 和 OGSBI 方法，后两者产生高度模糊的结果。
• 在重建信噪比（RSNR）方面，该算法优于现有方法，尤其在低信噪比和低测量数条件下表现更优。
• 自适应正则化改善了收敛性，平衡了稀疏性与数据保真度，从而在多种场景下均表现出鲁棒性能。
• 该方法在单测量向量和多测量向量设置下均表现出色，证实了其泛化能力。
• 数值结果表明，该算法能有效缓解网格失配问题，即使真实参数位于网格点之间，也能实现高保真度恢复。