[论文解读] Total-variation minimization with bound constraints

Musa Maharramov, Stewart A. Levin|arXiv (Cornell University)|May 21, 2015

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

一句话总结

本文提出了一种基于ADMM的高效算法，用于总变差正则化与边界约束，通过将投影集成到分裂-Bregman框架中，避免了额外的迭代。该方法能够在强制施加物理边界的同时，从噪声表面隆升数据中准确反演高度分隔的地下压力变化，相较于无约束和简单投影方法，在保持锐利对比度和满足约束条件方面表现更优。

ABSTRACT

We present a powerful and easy-to-implement algorithm for solving constrained optimization problems that involve $L_1$/total-variation regularization terms, and both equality and inequality constraints. We discuss the relationship of our method to earlier works of Goldstein and Osher (2009) and Chartrand and Wohlberg (2010), and demonstrate that our approach is a combination of the augmented Lagrangian method with splitting and model projection. We test the method on a geomechanical problem and invert highly compartmentalized pressure change from noisy surface uplift observations. We conclude the paper with a discussion of possible extension to a wide class of regularized optimization problems with bound and equality constraints.

研究动机与目标

• 开发一种稳健且可扩展的方法，用于求解大规模总变差正则化优化问题，包含边界约束和等式约束。
• 解决无约束总变差正则化方法的局限性，该方法在地球力学反演中可能产生不合理的负压值。
• 在分裂-Bregman/ADMM框架中自然地集成边界约束，而无需引入额外计算成本或违反最优性条件。
• 在包含噪声表面隆升观测和高度分隔压力变化的地球力学反演问题上，展示该方法的有效性。
• 提供一种可推广的框架，兼容大规模非线性求解器，并可扩展至额外的等式和不等式约束。

提出的方法

• 通过ADMM将总变差正则化边界约束问题重新表述为三重分裂：模型变量、梯度变量和投影模型变量。
• 为梯度（x）和投影模型（y）引入辅助变量，并通过等式约束将其与原始模型（m）关联。
• 使用增广拉格朗日方法对约束进行对偶化，并通过迭代方式求解子问题，结合总变差最小化与边界投影。
• 在ADMM循环内直接使用投影算子 Π(m) = max{min{m, m₂}, m₁} 强制施加边界约束，避免引入额外的近端项。
• 通过软阈值法求解总变差子问题，通过非线性共轭梯度等基于梯度的迭代方法求解数据拟合子问题。
• 将边界强制措施整合到分裂-Bregman迭代中，消除了对额外外层迭代或惩罚项的需求。

实验结果

研究问题

• RQ1 是否能够以高效且准确的方式在总变差正则化反演问题中施加边界约束，而不降低收敛性或增加计算成本？
• RQ2 与无约束总变差正则化和简单投影方法相比，该方法在恢复块状、分隔的压力模型方面表现如何？
• RQ3 将边界约束集成到分裂-Bregman框架在多大程度上提升了解的质量和最优性？
• RQ4 该方法是否可应用于具有噪声观测和复杂约束的大规模地球物理反演问题？
• RQ5 该算法在保持快速收敛的同时，是否能有效保留锐利对比度并满足活动边界？

主要发现

• 边界约束算法成功消除了无约束总变差反演中出现的不物理负压值，这些值在真实模型中并不存在。
• 该方法消除了在 x ≈ 1 km 附近出现的虚假压力尖峰，该尖峰是无约束解中负压的补偿结果。
• 收敛迅速，仅有少数初始迭代点位于最终解的紧密邻域之外，表明解快速稳定。
• 与简单地将模型迭代投影到边界上的方法相比，该方法违反KKT条件的情况更少，结果在定性和定量上均更优。
• 该方法即使在15%噪声水平下，也能准确恢复来自噪声表面隆升数据的块状、分隔压力结构。
• 将边界约束集成到ADMM循环中未增加额外计算成本，同时保持了分裂-Bregman框架的效率。