[论文解读] Travelling salesman-based compressive sampling

Nicolas Chauffert, Philippe Ciuiu+2 more|arXiv (Cornell University)|Feb 6, 2013

Sparse and Compressive Sensing Techniques参考文献 5被引用 3

一句话总结

该论文提出一种两步法，通过首先从修正密度 π ∝ ˜π^(d/(d−1)) 中独立抽取点，再利用旅行商问题（TSP）求解器连接这些点，生成压缩感知中的连续采样轨迹。其关键理论贡献在于，该方法在渐近意义上可模拟从最优变密度分布 ˜π 中独立采样的效果，从而在受限于连续路径的硬件上实现实际应用，同时保持重建性能。

ABSTRACT

Compressed sensing theory indicates that selecting a few measurements independently at random is a near optimal strategy to sense sparse or compressible signals. This is infeasible in practice for many acquisition devices that acquire samples along continuous trajectories (e.g., radial, spiral, ...). Examples include magnetic resonance imaging (MRI) or radiointerferometry. In this paper, we propose to generate continuous sampling trajectories by drawing a small set of measurements independently and joining them using a travelling salesman problem solver. Our contribution lies in the theoretical derivation of the appropriate probability density of the initial drawings. Preliminary computational results show that this strategy is as efficient as independent drawings while being implementable on real acquisition systems.

研究动机与目标

• 解决压缩感知在现实系统中的实际限制，即采样必须遵循连续轨迹（如在磁共振成像或射电干涉测量中）。
• 弥合理论上的最优采样策略（从变密度分布中独立抽取）与物理实现约束之间的差距。
• 推导初始点采样所需的正确概率密度 π，使得由此生成的TSP轨迹在渐近意义上等价于从最优分布 ˜π 中独立采样。
• 在二维MRI背景下验证该方法，证明其重建质量可与无约束的独立采样相媲美。

提出的方法

• 从与最优变密度分布 ˜π 的 d/(d−1) 次方成比例的概率密度 π(x) 中独立生成 N 个初始采样点，其中 ˜π 是压缩感知中的最优变密度分布。
• 通过在 N 个采样点上求解旅行商问题（TSP）以最小化总路径长度，构建连续采样轨迹。
• 利用TSP解定义一条在 [0,1] 上以恒定速度参数化的采样曲线 γ_N: [0,1] → Ω，并由此诱导出采样域上的分布 ˜Π_N。
• 理论分析表明，˜Π_N 依概率收敛于目标分布 ˜π(x) = π(x)^((d−1)/d) / ∫π((d−1)/d)dx，从而确保与从 ˜π 中独立采样的渐近等价性。
• 利用随机几何与TSP渐近理论的结果，证明TSP路径的经验测度收敛于期望分布。
• 在二维MRI中应用该方法：从 π ∝ ˜π^2（当 d=2 时）中采样k空间点，应用TSP形成连续轨迹，并使用基于小波的压缩感知进行重建。

实验结果

研究问题

• RQ1 能否设计一种连续采样轨迹，使其在渐近意义上模拟压缩感知中从最优变密度分布中独立采样的效果？
• RQ2 初始随机点生成所应采用的正确概率密度 π 是什么，才能使最终的TSP路径诱导出等价于最优分布 ˜π 的分布？
• RQ3 在MRI中，与标准独立采样和朴素TSP采样（例如从 ˜π 中采样）相比，基于TSP的采样策略在重建质量上表现如何？
• RQ4 TSP路径经验分布收敛于目标分布 ˜π 的理论收敛速率是多少？
• RQ5 该方法能否扩展以纳入额外的物理约束，如采样轨迹的最大曲率？

主要发现

• 与从原始最优密度 ˜π 中朴素TSP采样相比，该方法在信噪比（SNR）上实现了10 dB的提升。
• 使用从 π ∝ ˜π^(d/(d−1)) 生成的TSP轨迹进行重建，在MRI实验中达到与无约束独立采样相当的性能，SNR为34.1 dB。
• 理论分析证明，TSP路径诱导的经验分布随 N → ∞ 依概率收敛于目标分布 ˜π。
• 该方法使在受限于连续轨迹的硬件（如磁共振扫描仪）上实现变密度采样成为可能。
• 关键洞见在于，初始采样密度必须调整为 π ∝ ˜π^(d/(d−1))，以补偿TSP路径引入的几何失真。
• 仿真结果证实，从 π ∝ ˜π^2（当 d=2 时）采样并应用TSP可实现接近最优的性能，优于从 ˜π 中独立采样以及从 ˜π 中进行TSP采样。