[论文解读] Using Correlated Subset Structure For Compressive Sensing Recovery

Atul Divekar, Deanna Needell|arXiv (Cornell University)|Feb 16, 2013

Sparse and Compressive Sensing Techniques参考文献 15被引用 3

一句话总结

该论文提出了一种新颖的压缩感知重构算法，利用物理成像过程（如超分辨率）中采样矩阵所呈现的列间相关结构。通过将小波系数分组为树状结构子集，并采用基于和的选取准则，该方法在非零系数集中于空间连贯的小波树时，相较于标准的 $β$-最小化方法，显著提升了重构精度。

ABSTRACT

Compressive sensing is a methodology for the reconstruction of sparse or compressible signals using far fewer samples than required by the Nyquist criterion. However, many of the results in compressive sensing concern random sampling matrices such as Gaussian and Bernoulli matrices. In common physically feasible signal acquisition and reconstruction scenarios such as super-resolution of images, the sensing matrix has a non-random structure with highly correlated columns. Here we present a compressive sensing recovery algorithm that exploits this correlation structure. We provide algorithmic justification as well as empirical comparisons.

研究动机与目标

• 解决由于物理采集约束（如图像超分辨率）导致采样矩阵具有强列内相关性时的压缩感知重构挑战。
• 克服标准 $β$-最小化和 CoSaMP 在非随机、相关传感矩阵（违反限制等距性质，RIP）场景下的局限性。
• 通过利用图像信号中小波系数固有的树状相关性，提升信号重构精度。
• 开发并验证一种实用的重构算法，利用子集内相关性模式以增强显著系数的选取。
• 展示基于和的估计器在稀疏信号重构中识别包含非零系数的小波树方面的有效性。

提出的方法

• 提出部分逆（PartInv）算法，作为 CoSaMP 的改进版本，通过仅对传感矩阵列的子集进行逆运算，以减少初始估计器中的噪声。
• 将采样矩阵 $Φ = SH\Psi$ 的列划分为在空间上连贯的小波树子集，其中每个子集内的列因具有重叠的空间支持而高度相关。
• 为每个小波树 $I$ 定义一个强度估计器 $s_I = \sum_{j \in I} |\hat{c}_j|$，用于对最有望的子集进行排序和选择，以实现信号重构。
• 通过在选定子集 $I^{(k)}$ 上求解最小二乘问题，迭代地优化支持估计，然后更新残差，并使用新的相关感知选择策略重新估计支持。
• 基于残差减小和支撑估计收敛设定停止条件，以终止迭代过程。
• 在 2D 图像块上应用该方法，采用 Daubechies-5 小波基和模糊核模拟真实光学采样，通过复制基础模式生成子采样模式。

实验结果

研究问题

• RQ1 能否通过利用图像小波表示中固有的树状相关性，显著提升压缩感知重构性能？
• RQ2 当传感矩阵具有相关列子集时，$β$-最小化与改进的 CoSaMP 算法（PartInv）的性能相比如何？
• RQ3 与标准阈值法相比，基于小波树能量的和估计器在选择非零系数集合方面能提升多少？
• RQ4 在图像超分辨率中，该方法在实际采样条件（如降采样和模糊）下是否仍能保持高重构精度？
• RQ5 当传感矩阵因强列相关性而无法满足限制等距性质（RIP）时，该算法是否仍能实现稳定且准确的重构？

主要发现

• 所提出的 PartInv 算法结合和估计器，相较于标准 $β$-最小化，在存在列子集相关性的情况下显著提升了重构性能，尤其在非零系数集中于小波树时表现更优。
• 在采样率 $\delta = \frac{2}{16}$ 到 $\frac{14}{16}$ 范围内，当以 $\frac{1}{N}\|c - \hat{c}\|^2 < 10^{-5}$ 衡量时，该方法在非零系数集中于小波树的信号重构中成功率超过 90%。
• 和估计器 $s_I = \sum_{j \in I} |\hat{c}_j|$ 有效识别出包含显著系数的小波树，在选择相关支撑集方面优于简单阈值法。
• 该算法对噪声和传感矩阵中的结构相关性具有鲁棒性，即使 $\Phi = SH\Psi$ 违反了限制等距性质。
• 实证结果表明，$\Phi$ 中由低通核滤波的空间重叠小波原子所引发的相关结构，可被有效利用以提升重构精度。
• 该方法在仅使用 $M/N = 14/16$ 采样率时即实现高重构保真度，表明在图像超分辨率场景中，即使在高压缩率下也表现出强劲性能。