Signal Space CoSaMP for Sparse Recovery with Redundant Dictionaries
压缩感知(CS)最近已经成为一个强大的框架,用于获取稀疏信号。CS文献的大部分集中在所获取的信号在正交基中具有稀疏或可压缩表示的情况。然而,在实践中,有许多信号不能使用正交基稀疏表示或近似,但在冗余字典中具有稀疏表示。CS中的标准结果有时可以扩展到处理这种情况,只要字典足够不连贯或条件良好,但这些方法无法解决真正冗余或过完备字典的情况。在本文中,我们描述了一个变种的迭代恢复算法CoSaMP这个更具挑战性的设置。我们利用D-RIP,传感矩阵的条件类似于著名的限制等距属性。与以前的工作相比,该方法和分析是“以信号为中心”的,也就是说,它们是面向恢复信号,而不是其字典系数。假设我们有一个接近最佳的计划,在信号空间中的向量投影到候选稀疏信号的模型家庭,我们提供可证明的恢复保证。开发一个实用的算法,可以证明计算所需的接近最佳的预测仍然是一个重要的开放的问题,但我们包括模拟结果,使用各种经验表现出优越的性能,以传统的恢复算法。
2013-06-21 cs.IT math.IT
Recovery of Sparsely Corrupted Signals
我们研究了在一般情况下(即,可能是冗余的或不完整的)字典,该字典被允许另一个通用字典中的稀疏表示的加性噪声破坏。这种设置覆盖了广泛的应用,例如图像修补、超分辨率、信号分离和被例如以下损害的信号的恢复:削波、脉冲噪声或窄带干扰。我们提出了一种新的不确定性关系的基础上对一般字典的确定性恢复保证,我们提供了相应的切实可行的恢复算法。我们发现的恢复保证取决于信号和噪声稀疏水平,所涉及的字典的相干参数,以及关于信号和噪声支持集的先验知识的量。
2011-12-07 cs.IT math.IT
Greedy Signal Space Recovery Algorithm with Overcomplete Dictionaries in Compressive Sensing
压缩感知(CS)是一种新的模式,有效地获取信号,具有稀疏表示在某一领域。传统上,CS提供了许多方法用于在正交基上的信号恢复。然而,现代应用程序已经引发了相关方法的出现,信号不是稀疏的正交基,但在一些任意的,也许是高度过完备的,字典,特别是由于他们的潜力,以产生不同种类的稀疏表示的信号。为此,我们应用信号空间贪婪方法,它依赖于最佳地将信号投影到少量字典原子上的能力,以解决这种设置中的信号恢复问题。我们描述了一个广义的迭代恢复算法称为信号空间子空间追踪(SSSP),这个更具挑战性的设置。在这里,使用字典限制等距属性(D-RIP),而不是经典的RIP,我们推导出所需的测量次数的下限,然后提供算法的收敛性证明。该算法在有噪声和无噪声测量中具有低的计算复杂性,并提供高的恢复精度。仿真结果表明,该算法优于现有的恢复算法。
2019-05-07 cs.IT math.IT
Exact Recovery of Sparsely-Used Dictionaries
Yale University(耶鲁大学);Columbia University(哥伦比亚大学)
我们考虑学习稀疏使用的字典与任意平方字典和随机,稀疏系数矩阵的问题。我们证明了$O (n \log n)$样本是足够的唯一确定的系数矩阵。在此基础上,我们设计了一个多项式时间的稀疏字典精确恢复算法(ER-SpUD),并证明了当系数矩阵足够稀疏时,该算法可以恢复字典和系数矩阵。仿真结果表明,ER-SpUD揭示了真正的字典以及系数的概率高于许多国家的最先进的算法。
2012-06-26 cs.IT cs.LG math.IT
Blind Compressed Sensing Over a Structured Union of Subspaces
本文讨论了基于压缩测量的同时信号恢复和字典学习的问题。在假设未知信号来自少量不相交子空间的联合的情况下,利用多个传感矩阵联合分析多个信号。该问题例如在图像修补应用中是重要的,其中多个信号由取自整个图像的(不完整的)图像块构成。这项工作扩展了标准字典学习和块稀疏字典优化,通过考虑压缩测量,例如,数据不完整)。通过使用多个感知矩阵和放松对学习字典的一些限制,也推广了盲压缩感知的先前工作。利用矩阵完成的背景下开发的结果,它被证明是字典和信号可以恢复压缩测量的概率很高。解是唯一的,直到字典原子的块排列和可逆线性变换。的恢复是视情况而定的测量每个信号的数量和信号的数量足够大,这些数量的界限推导。此外,本文提出了一种计算上实用的算法,进行字典学习和信号恢复,并建立其收敛到局部最优的条件。图像修补的实验结果证明了该方法的有效性。
2011-03-12 cs.IT math.IT
Matrix Coherency Graph: A Tool for Improving Sparse Coding Performance
精确恢复的稀疏解的欠定线性方程组意味着充分搜索字典的所有可能的子集,这是计算上难以处理的,而l1最小化将做的工作时,一个限制等距属性的字典。然而,实际的稀疏恢复算法可能无法恢复系数的向量,即使字典偏离RIP只有轻微的。为了在更广泛的意义上享受l1最小化保证,提出了一种基于全搜索和l1最小化相结合的方法。这个想法是基于划分字典的原子,在某种意义上是良好的条件和那些是病态的。受此启发,本文提出了一种基于字典结构的抽取工具--矩阵相干图。该工具可用于减少稀疏编码算法的贪婪性,使恢复更可靠。我们对IRLS算法进行了改进,仿真结果表明,改进后的算法性能明显优于原算法。
2014-11-30 cs.IT math.IT
One-Bit Compressive Sensing of Dictionary-Sparse Signals
一位压缩感知扩展了稀疏恢复的范围,表明稀疏信号可以准确地重建,即使当它们的线性测量受到二进制样本的极端量化方案-只有每个线性测量的符号被保持。现有的一比特压缩感知的结果依赖于这样的假设,即感兴趣的信号在某个固定的正交基中是稀疏的。然而,在大多数实际应用中,信号相对于过完备字典是稀疏的,而不是基。在经典压缩感知设置中,已经有大量活动在这种广义稀疏模型下获得恢复保证。在这里,我们将一位框架扩展到这个重要的模型,提供了字典稀疏下的一位压缩感知的统一理论。具体来说,我们分析了几种不同的算法-基于凸规划和硬阈值-并表明,在自然的假设下的传感矩阵(满足高斯矩阵),这些算法可以有效地恢复分析字典稀疏信号的一位模型。
2016-06-24 cs.IT math.IT
Sparse Phase Retrieval with Redundant Dictionary via $\ell_q (0<q\le 1)$-Analysis Model
本文将稀疏相位恢复中 ℓ_1-分析模型的 NSP 与 S-DRIP 条件推广到 ℓ_q (0<q≤1)-分析模型,给出无噪声精确恢复与含噪稳定恢复的新条件,并补充了 t<4/3 时的 S-DRIP 结果。
2025-06-05 cs.IT math.IT
Recovery of Coherent Data via Low-Rank Dictionary Pursuit
Cornell University(康奈尔大学);Rutgers University(罗格斯大学)
最近建立的RPCA方法为我们提供了一个方便的方法来恢复低秩矩阵从严重损坏的观察。虽然RPCA在理论上很优雅,在现实中很强大,但它可能不是低秩矩阵恢复问题的最终解决方案。事实上,即使数据是严格低秩的,它的性能也可能不完美。这是因为传统的RPCA忽略了在现代应用中普遍存在的数据的聚类结构。随着聚类数目的增加,数据的一致性不断增强,RPCA的恢复性能随之下降。我们表明,连贯数据(即,具有高一致性的数据)可以通过低秩表示(LRR)来缓解,只要LRR中的字典被适当地配置。更确切地说,我们从数学上证明,如果字典本身是低秩的,那么LRR是免疫的相干参数,增加了底层的集群数量。这为处理相干数据提供了一个基本原则。随后,我们设计了一个实用的算法,以获得适当的字典在无监督的环境。我们对随机生成矩阵的大量实验验证了我们的说法。
2014-07-16 cs.IT cs.LG math.IT
Complete Dictionary Recovery over the Sphere II: Recovery by Riemannian Trust-region Method
Columbia University(哥伦比亚大学)
我们考虑恢复完整的(即,平方和可逆的)矩阵$\mathbf A_0$,由$\mathbf Y \in \mathbb{R}^{n \times p}$和$\mathbf Y = \mathbf A_0 \mathbf X_0$构成,条件是$\mathbf X_0$足够稀疏。这个恢复问题是字典学习的理论理解的核心,字典学习寻求输入信号集合的稀疏表示,并在现代信号处理和机器学习中找到许多应用。我们给出了第一个有效的算法,可证明恢复$\mathbf A_0$时,$\mathbf X_0$有$O(n)$非零每列,在适当的概率模型$\mathbf X_0$。我们的算法流水线围绕解决具有球形约束的特定非凸优化问题,因此自然地用流形优化的语言来表达。在一篇配套论文(arXiv:1511.03607)中,我们已经证明了我们的非凸公式很可能没有“虚假”局部极小值,并且在任何鞍点周围目标函数都有负方向曲率。在本文中,我们利用特殊的几何结构,并描述了一个黎曼信赖域算法,可证明收敛到一个局部极小从任意初始化。这样的极小化器给出了对$\mathbf X_0$行的极好的近似。然后通过线性规划舍入和收缩来恢复行。
2016-09-01 cs.CV cs.IT math.IT
Dictionary-Sparse Recovery From Heavy-Tailed Measurements
恢复不是在基中稀疏而是相对于过完备字典稀疏的信号是具有许多应用的压缩感测领域中最灵活的设置之一。如在标准压缩感测设置中那样,可以例如通过所谓的$\ell_1$合成方法从少量线性测量有效地重构信号。然而,它一直不太好理解,哪些测量矩阵可证明适用于这种设置。而在标准设置中,它已被证明,即使某些重尾测量矩阵可以被用于相同的样本复杂度制度的高斯矩阵,可比的结果仅适用于限制类的亚高斯测量向量,只要字典稀疏信号的恢复通过$\ell_1$合成关注。在这项工作中,我们填补了这一空白,并建立最佳的保证恢复向量是(近似)稀疏相对于字典通过$\ell_1$ -合成方法从线性,潜在的噪声测量的一大类随机测量矩阵。特别是,我们表明,随机测量,满足只有一个小球假设和弱的时刻假设,如随机向量的独立同分布。学生-具有对数数量的自由度的$t$条目导致与(亚)高斯测量相当的保证。作为一种技术工具,我们显示了一个约束的期望平方顺序统计量的总和非常一般的假设下,这可能是独立的利益。作为我们的结果的推论,我们也得到了一个轻微的改进,最弱的假设上的测量矩阵与i.i.d.行足以在标准压缩感知中均匀恢复,改进了Lecué和Mendelson以及Dirksen,Lecué和Rauhut的结果。
2021-09-29 cs.IT cs.NA eess.SP
Making sense of randomness: an approach for fast recovery of compressively sensed signals
School of Electrical;Computing Engineering, Indian Institute of Technology, Mandi, India vinayak\ , pulkit\ , .
在压缩感知(CS)框架中,信号在低于奈奎斯特速率下采样,并且所获取的压缩样本通常是随机的。然而,为了有效地估计实际信号,感测矩阵必须保持所获取的压缩样本之间的相对距离。如果满足这个条件,我们表明,CS样本将保留实际信号的包络,即使在不同的压缩比。利用CS样本的这种包络保持特性,我们提出了一种新的快速字典学习(DL)算法,该算法能够从压缩样本中提取原型信号,以实现信号的有效稀疏表示和恢复。这些原型信号是使用经验模式分解(EMD)提取的正交本征模式函数(IMF),经验模式分解是捕获信号包络的流行方法之一。提取的IMF用于构建字典,甚至无需理解原始信号或传感矩阵。此外,当新的CS样本可用时,可以在线构建字典。特别地,为了在解码器处恢复第一$L$信号($\in\mathbb{R}^n$),可以仅在$\mathcal{O}(nL\log n)$操作中构建字典,这与现有方法相比少得多。实验证明了该方法的有效性恢复的语音信号。
2015-07-25 cs.CV cs.IT math.IT
On the Computational Intractability of Exact and Approximate Dictionary Learning
TU Darmstadt(达姆施塔特工业大学)
在过去的十年中,通过线性观测的信号向量的有效稀疏编码和重构受到了极大的关注。在这种情况下,从用于稀疏表示的某些信号类别的训练数据集合中自动学习合适的基或过完备字典已经证明对于实际信号处理应用特别重要。大多数流行的字典学习算法在每次迭代中都涉及NP难稀疏恢复问题,这可能会给出一些关于字典学习复杂性的指示,但并不构成计算困难性的实际证明。在这篇技术笔记中,我们证明了学习一个字典,用它可以尽可能稀疏地表示一组给定的训练信号确实是NP困难的。此外,我们还建立了近似的解决方案的最佳稀疏水平的大因素内的硬度。此外,我们给出了NP-硬度和非近似性的结果,最近的字典学习变化称为传感器排列问题。在此过程中,我们还获得了一个新的非近似性结果的经典稀疏恢复问题的压缩感知。
2014-08-03 cs.IT cs.LG math.IT
The perturbation analysis of nonconvex low-rank matrix robust recovery
本文提出了一种完全扰动的非凸Schatten $p$ -极小化方法来解决完全扰动的低秩矩阵恢复问题。基于约束等距性,将研究推广到既考虑噪声又考虑扰动的完全扰动模型,给出了保证低秩矩阵恢复的约束等距性条件和相应的重构误差界。特别地,对结果的分析表明,对于完全扰动和低秩矩阵,当$p$使$0$和$a>1$减小时,该条件是最优充分条件$δ_{2r}<1$ \cite{Recht et al 2010} .数值实验表明,非凸Schatten $p$ -最小化方法在完全扰动情形下比凸核范数最小化方法具有更好的性能.
2020-06-11 cs.IT math.IT
A null space property approach to compressed sensing with frames
压缩感知中的一个有趣的话题涉及在字典中利用稀疏表示来感知和恢复信号的问题。在本文中,我们研究了L1-综合方法在给定的字典D中精确恢复稀疏或近似稀疏信号的传感矩阵A的条件。特别是,我们提出了一个基于字典的零空间属性(D-NSP),据我们所知,这是第一个充分和必要条件的L1恢复成功。这个新的属性,然后利用检测一些字典的稀疏家庭不能被压缩普遍。此外,当字典是充分的火花,我们表明,AD是NSP,这是众所周知的,只有足够的稳定恢复通过L1合成方法,确实是必要的。
2013-09-08 cs.IT math.FA math.IT
Sparse Time-Frequency decomposition by dictionary learning
在本文中,我们提出了一种时频分析的方法来获得瞬时频率和相应的分解,通过解决一个优化问题。在这个优化问题中,分解信号的基础是未知的。相反,它适应于信号,并作为优化问题的一部分被确定。从这个意义上说,这个优化问题可以看作是一个字典学习问题。这个字典学习问题通过使用增广拉格朗日乘子方法(ALM)迭代地解决。我们进一步加快收敛的ALM方法在每一个迭代,通过使用快速小波变换。我们应用我们的方法分解几个信号,包括信号与不良的尺度分离,信号与离群值和噪声污染和一个真正的信号。结果表明,该方法可以准确地恢复出瞬态频率和固有模态函数。
2014-10-11 cs.IT math.IT
Signal Recovery in Uncorrelated and Correlated Dictionaries Using Orthogonal Least Squares
Indian Institute of Technology, Kharagpur(印度理工学院卡拉格普尔分校)
本文研究了正交最小二乘法在压缩测量信号恢复中的性能,证明其在不相关和相关字典中具有竞争力,优于OMP等贪心算法,尤其在相关字典中表现更优。
2016-07-29 cs.IT cs.NA math.IT
Note on RIP-based Co-sparse Analysis
在过去的几年里,有越来越多的兴趣恢复信号从欠采样数据,这些信号是稀疏的一些正交字典或紧的框架下,这被称为稀疏合成模型。最近,它的对应物,即,稀疏分析模型,也引起了研究者的关注,许多实际的信号是稀疏的,在真正的冗余字典。这篇短文是对现有文献中处理稀疏分析模型结果的重要补充。首先,我们给出了著名的限制等距性质(RIP)的自然推广,以处理稀疏分析模型,其中考虑了真正的任意非相干字典。其次,通过求解l1范数稀疏提升优化问题,研究了在一般冗余字典中稀疏信号精确恢复的理论保证。这项工作不仅表明,压缩感知是可行的稀疏分析的上下文中,但也可以通过解决l1-最小化问题,准确的恢复。
2012-02-09 cs.IT math.IT
Super-Resolution Compressed Sensing: A Generalized Iterative Reweighted L2 Approach
传统的压缩感知理论假设信号在已知的有限字典中具有稀疏表示。然而,在许多实际应用中,如波达方向(DOA)估计和线性谱估计,稀疏字典通常是由一组未知参数在一个连续的域。为了将传统的压缩感知技术应用于此类应用,必须将连续参数空间离散化为有限的网格点集,基于该网格点集构建用于稀疏信号恢复的“假定字典”。然而,离散化不可避免地会引起误差,因为真实参数不一定位于离散化网格上。这种错误也称为网格不匹配,可能导致恢复性能恶化甚至恢复失败。为了解决这个问题,在本文中,我们提出了一个广义的迭代加权L2方法,联合估计稀疏信号和未知参数与真正的字典。该算法通过迭代减少优化给定目标函数的代理函数,从而形成一个渐进的交织迭代过程来细化未知参数和稀疏信号。一个简单而有效的计划开发自适应更新的正则化参数,控制之间的折衷的解决方案和数据拟合误差的稀疏性。扩展所提出的算法的多个测量矢量的情况下也被认为是。数值结果表明,该算法实现了超分辨率精度,并显示出优于其他现有方法。
2014-12-18 cs.IT math.IT
Conditioning of Random Block Subdictionaries with Applications to Block-Sparse Recovery and Regression
线性模型是统计学和信号处理文献的主要内容,在线性模型中,一组观测值被假定为由矩阵的列的线性组合给出。在线性模型下进行推理的一个特殊挑战是理解字典上的条件,在这些条件下可靠的推理是可能的。近年来,由于许多现代推理问题涉及“欠定”设置,其中观察的数量比字典中的列数要小于得多,因此这一挑战重新引起了人们的关注。本文作出了几个贡献,这种设置时,一组的意见是由一个线性组合的一小部分列的字典,被称为“块稀疏”的情况下。首先,它指定字典上的条件,在该条件下,大多数块子字典是良态的。这个结果从根本上不同于先前关于块稀疏推理的工作,因为(i)它提供了可以在多项式时间内显式计算的条件,(ii)给定的条件转化为块子字典的列数的接近最优的缩放,作为大类字典的观察数的函数,以及(iii)它表明字典的谱范数和二次平均块相干性(而不是最坏情况的相干性)从根本上限制了条件良好的块子字典的维度的缩放。其次,本文研究了欠定背景下的块稀疏恢复和块稀疏回归问题。只要字典满足容易计算的条件,并且描述列组的线性组合的系数可以通过温和的统计先验来建模,则对于某些字典,接近最优的块稀疏恢复和回归是可能的。
2016-08-28 cs.IT math.IT math.ST
Complete Dictionary Recovery over the Sphere
Columbia University(哥伦比亚大学)
我们考虑恢复完整的(即,平方和可逆的)矩阵$\mathbf A_0$,由$\mathbf Y \in \mathbb R^{n \times p}$和$\mathbf Y = \mathbf A_0 \mathbf X_0$构成,条件是$\mathbf X_0$足够稀疏。这个恢复问题是字典学习的理论理解的核心,字典学习寻求输入信号集合的稀疏表示,并在现代信号处理和机器学习中找到许多应用。我们给出了第一个有效的算法,可证明恢复$\mathbf A_0$时,$\mathbf X_0$有$O(n)$非零每列,在适当的概率模型$\mathbf X_0$。相比之下,以前的结果的基础上有效的算法提供恢复保证时,$\mathbf X_0$只有$O(n^{1-δ})$非零每列的任何常数$δ\in (0, 1)$。我们的算法流水线围绕解决具有球形约束的特定非凸优化问题,因此自然地用流形优化的语言来表达。为了表明这个显然很难的问题是易于处理的,我们首先提供了一个几何表征的高维客观景观,这表明,有很高的概率没有“虚假”的局部极小值。这种特殊的几何结构,使我们能够设计一个黎曼信赖域算法在球证明收敛到一个局部极小与任意初始化,尽管存在鞍点。我们在这里开发的几何方法也可能揭示了结构化信号的非凸恢复所产生的其他问题。
2015-11-17 cs.CV cs.IT cs.LG
Dictionary Optimization for Block-Sparse Representations
最近的工作表明,使用精心设计的字典,而不是一个预定义的,可以提高稀疏性联合表示一类信号。这激发了用于设计字典的学习方法的推导,该字典导致给定信号集合的稀疏表示。在一些应用中,感兴趣的信号可以具有进一步的结构,使得它们可以通过少量子空间(例如,面部识别和运动分割)。这意味着存在一个字典,一旦它的原子被正确地排序到块中,它就能够对输入信号进行块稀疏表示。在本文中,我们提出了一个算法学习一组给定的信号块稀疏字典。我们不需要将信号关联成组(子空间)的先验知识。相反,我们开发了一种自动检测底层块结构的方法。这是通过在更新字典的块结构和更新字典原子之间迭代交替以更好地适应数据来实现的。实验结果表明,对于块稀疏数据,该算法显着提高了字典恢复能力,降低了表示错误相比,字典学习方法,不采用块结构。
2010-05-03 cs.IT math.IT
Complete Dictionary Recovery over the Sphere I: Overview and the Geometric Picture
Columbia University(哥伦比亚大学)
我们考虑恢复完整的(即,平方和可逆的)矩阵$\mathbf A_0$,由$\mathbf Y \in \mathbb{R}^{n \times p}$和$\mathbf Y = \mathbf A_0 \mathbf X_0$构成,条件是$\mathbf X_0$足够稀疏。这个恢复问题是字典学习的理论理解的核心,字典学习寻求输入信号集合的稀疏表示,并在现代信号处理和机器学习中找到许多应用。我们给出了第一个有效的算法,可证明恢复$\mathbf A_0$时,$\mathbf X_0$有$O(n)$非零每列,在适当的概率模型$\mathbf X_0$。相比之下,基于有效算法的先前结果要么仅在$\mathbf X_0$每列具有$O(\sqrt{n})$零值时保证恢复,要么在$\mathbf X_0$每列具有$O(n^{1-δ})$非零值时(对于任何常数$δ\in (0, 1)$)需要多轮SDP松弛才能工作。我们的算法流水线围绕解决具有球形约束的特定非凸优化问题。在本文中,我们提供了一个几何表征的客观景观。特别是,我们表明,这个问题是高度结构化的:具有高概率,(1)没有“虚假”的局部极小;(2)在所有鞍点的目标有一个负的方向曲率。这种独特的结构使问题服从有效的优化算法。在一篇配套论文(arXiv:1511.04777)中,我们设计了一个二阶信赖域算法,该算法可以证明从任意初始化收敛到局部极…
2016-09-01 cs.CV cs.IT math.IT
Sparse Recovery over Graph Incidence Matrices
经典的结果稀疏恢复保证$s$稀疏信号的精确重建的字典上的假设是太强或NP-难以检查。此外,这种结果在实践中可能是悲观的,因为它们是基于最坏情况的分析。在本文中,我们考虑稀疏恢复的信号定义在一个图,字典的形式的关联矩阵。我们推导出稀疏恢复的充分必要条件,这取决于可以在多项式时间内检查的图的循环的性质。我们还推导出支持依赖条件稀疏恢复,只依赖于交叉点的支持信号的图形的周期。最后,我们利用稀疏属性的测量和关联矩阵的结构,提出了一个专门的子图为基础的恢复算法,优于标准的$\ell_1$最小化方法。
2018-10-26 cs.IT cs.SI eess.SP
Dictionary Learning Based Sparse Channel Representation and Estimation for FDD Massive MIMO Systems
本文研究了FDD Massive MIMO系统的上下行信道估计问题。通过利用稀疏恢复和压缩感知算法,我们能够提高上/下行链路信道估计的准确性,并减少上/下行链路导频符号的数量。这种成功的信道估计建立在信道可以在某个基/字典下稀疏地表示的假设之上。以前的作品模型的通道使用一些预定义的基础/字典,而在这项工作中,我们提出了一个基于字典学习的通道模型,这样的字典是从全面收集的通道测量。学习的字典专门适应于小区特性,并促进更有效和鲁棒的信道表示,这反过来又提高了信道估计的性能。此外,我们通过观察上/下行链路传输之间的AOA/AOD的互易性,将基于字典学习的信道模型扩展到联合上行/下行链路学习框架中,并提出了一种联合信道估计算法,该算法结合了上行和下行接收的训练信号,以获得更准确的信道估计。换句话说,可以通过利用来自更简单的上行链路训练的信息来减少作为FDD Massive MIMO系统中的瓶颈的下行链路训练开销。
2018-05-31 cs.IT math.IT
Signal Recovery in Perturbed Fourier Compressed Sensing
在压缩感测的许多应用中,测量矩阵是傅立叶矩阵,即,它在某些指定的“基本”频率$\{u_i\}_{i=1}^M$上测量基础信号的傅立叶变换,其中$M$是测量次数。然而,由于系统校准误差,系统可能在不同于基频的频率$\{u_i + δ_i\}_{i=1}^M$处测量傅立叶变换,并且其中$\{δ_i\}_{i=1}^M$是未知的。忽略这种性质的扰动可能导致信号恢复中的重大错误。在本文中,我们提出了一个简单而有效的交替最小化算法来恢复的扰动频率\emph{in situ}与信号,我们假设是稀疏或可压缩的一些已知的基础。在许多情况下,扰动$\{δ_i\}_{i=1}^M$可以用少量的唯一参数$P \ll M$表示。我们证明,在这种情况下,该方法导致优良的质量结果,比基线算法(这是基于现有的离网方法在最近的文献中的到达方向(DOA)估计,修改,以适应本文中的计算问题)好几倍。我们的结果也是强大的噪声测量值。我们还提供了理论结果(1)我们的算法的收敛性,(2)它的解的唯一性在某些限制。
2018-02-08 cs.IT math.IT
Recursive Recovery of Sparse Signal Sequences from Compressive Measurements: A Review
在这篇文章中,我们回顾了文献的设计和分析的递归算法重建的时间序列的稀疏信号的压缩测量。假设信号在某个变换域或某个字典中是稀疏的。它们的稀疏模式可以随时间变化,尽管在许多实际应用中,变化是渐进的。出现该问题的一类重要应用是动态投影成像,例如,动态磁共振成像(MRI),用于实时医学应用,例如介入放射学或动态计算机断层扫描。
2016-02-14 cs.IT math.IT
Beyond Invariant Dictionary: Data-Driven Koopman Spectral Recovery with Filtered Extended Dynamic Mode Decomposition
Princeton University(普林斯顿大学);University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
针对EDMD中非不变字典易引入伪特征值的问题,提出投影Koopman算子逼近框架构建滤波EDMD算子,分析两种投影几何并开发相关算法,实验验证其能有效减少谱污染。
2026-08-05 cs.IT cs.NA math.DS
Approximate Message Passing with Unitary Transformation for Robust Bilinear Recovery
最近,几个有前途的近似消息传递(AMP)为基础的算法已经开发了双线性恢复模型$\boldsymbol{Y}=\sum_{k=1}^K b_k \boldsymbol{A}_k \boldsymbol{C} +\boldsymbol{W} $,其中$\{b_k\}$和$\boldsymbol{C}$联合恢复与已知的$\boldsymbol{A}_k$从噪声测量$\boldsymbol{Y}$。双线性恢复问题有许多应用,如字典学习,自校准,压缩感知与矩阵不确定性等。在这项工作中,我们提出了一种新的双线性恢复算法的基础上AMP与酉变换。结果表明,与现有的基于消息传递的算法相比,该算法具有更强的鲁棒性和更快的速度,从而获得更好的性能。
2020-12-18 cs.IT math.IT
Sub-Nyquist Radar via Doppler Focusing
我们调查的问题,单基地脉冲多普勒雷达收发器试图检测目标,稀疏的雷达的明确的时间-频率区域。过去的几个作品采用压缩感知(CS)算法,这种类型的问题,但要么不解决采样率降低,施加限制的雷达发射机,提出CS恢复方法与禁止字典大小,或在嘈杂的条件下表现不佳。在这里,我们描述了一种称为多普勒聚焦的亚奈奎斯特采样和恢复方法,它解决了所有这些问题:它执行低速率采样和数字处理,对发射机不施加限制,并且使用其大小不随脉冲数P的增加而增加的CS字典。此外,在存在噪声的情况下,多普勒聚焦享有随P线性缩放的SNR增加,即使在信噪比低至-25dB的情况下也能获得良好的检测性能。该恢复基于XADR 2000框架,该框架允许直接在模数转换过程中减少准确表示信号所需的样本数量。采样后,对低速率采样执行整个数字恢复过程,而不必返回到奈奎斯特速率。最后,我们的方法可以实现在硬件中使用以前建议的Xcovery原型。
2013-09-22 cs.IT math.IT
Exploiting Statistical Dependencies in Sparse Representations for Signal Recovery
信号建模是众多信号和图像处理应用的核心。最近的一种方法,引起了相当大的关注是稀疏表示建模,其中的信号被假定为从一个给定的字典的几个原子的组合产生。在这项工作中,我们考虑贝叶斯设置和超越原子之间的独立性的经典假设。本文的主要目标是引入一个统计模型,考虑到这种依赖关系,并显示如何使用该模型的稀疏信号恢复。我们遵循最近的两个作品的建议,并假设稀疏模式是由玻尔兹曼机,一种常用的图形模型。对于一般的依赖模型,稀疏表示的精确MAP和MMSE估计在计算上变得复杂。为了简化计算,我们提出了贪婪近似的MAP和MMSE估计。然后,我们考虑一个特殊的情况下,精确的MAP是可行的,通过假设字典是单一的,依赖模型对应于一定的稀疏图。利用这种结构,我们开发了一个有效的消息传递算法,恢复底层信号。当定义底层图的模型参数是未知的,我们提出了一种算法,直接从数据中学习这些参数,导致自适应稀疏信号恢复的迭代方案。我们的方法的有效性在现实生活中的信号-自然图像的补丁-在那里我们比较去噪性能与以前的恢复方法,不利用统计依赖性。
2012-03-15 cs.IT math.IT
What is the Largest Sparsity Pattern that Can Be Recovered by 1-Norm Minimization?
现有的文献中的稀疏恢复关注以下问题:给定一个稀疏模式和相应的正则化,导出字典的条件下,精确的恢复是可能的。在本文中,我们研究相反的问题:给定一个字典和1-范数正则化,找到最大的稀疏模式,可以恢复。我们表明,这样的模式是由一个数学对象称为“最大抽象单纯形复杂”,并提供了两个不同的表征这个对象:一个基于极端点和其他基于最小支持向量。此外,我们展示了这个新的框架是如何有用的稀疏恢复问题的研究时,字典采取的形式的图形关联矩阵或部分离散傅里叶变换。在关联矩阵的情况下,我们表明,可以恢复的最大稀疏模式是由一组简单的循环图。作为一个副产品,我们表明,标准的稀疏恢复可以在多项式时间内得到认证,虽然这是已知的一般矩阵是NP难的。在部分离散的傅里叶变换的情况下,我们的最大稀疏模式,可以恢复的特征要求未知信号是真实的,其维数是一个素数。
2020-07-23 cs.IT eess.SP math.IT
New Guarantees for Blind Compressed Sensing
盲压缩感知(BCS)是压缩感知(CS)的扩展,其中最佳稀疏化字典被假设为未知的并且经受估计(除了CS稀疏系数之外)。自BCS出现以来,词典学习,又名。稀疏编码作为一个矩阵分解问题进行了研究,其样本复杂性,唯一性和可识别性已经得到了彻底的解决。然而,尽管BCS和稀疏编码之间的强连接,最近的结果从稀疏编码问题领域尚未被利用的BCS的上下文中。特别地,先前的BCS努力集中于学习限制这些努力的范围和效用的受约束的和完整的字典。在本文中,我们开发了新的理论界的完美恢复一般无约束BCS问题。这些无约束的BCS界覆盖了超完备字典的情况,因此,它们远远超出了现有的BCS理论。我们完美的恢复结果结合了稀疏编码的组合理论与低秩矩阵恢复的一些最新成果。特别是,我们提出了一个有效的CS测量方案,结果在实际的恢复范围BCS。此外,我们还讨论了BCS在多项式时间稀疏编码算法下的性能。
2015-08-08 cs.IT math.IT
Bilinear Recovery using Adaptive Vector-AMP
我们考虑从噪声测量$\boldsymbol{Y} = \boldsymbol{A}(\boldsymbol{b})\boldsymbol{C} + \boldsymbol{W}$联合恢复向量$\boldsymbol{b}$和矩阵$\boldsymbol{C}$的问题,其中$\boldsymbol{A}(\cdot)$是$\boldsymbol{b}$的已知仿射线性函数(即,具有已知矩阵$\boldsymbol{A}_i$的$\boldsymbol{A}(\boldsymbol{b})=\boldsymbol{A}_0+\sum_{i=1}^Q b_i \boldsymbol{A}_i$)。这个问题在矩阵完备、鲁棒PCA、字典学习、自校准、盲解卷积、联合信道/符号估计、具有矩阵不确定性的压缩感知以及许多其他任务中有应用。为了解决这个双线性恢复问题,我们提出了双线性自适应向量近似消息传递(BAd-VAMP)算法。我们证明了数字所提出的方法是有竞争力的,与其他国家的最先进的方法,双线性恢复,包括解除VAMP和双线性GAMP。
2019-03-08 cs.IT math.IT
Uncertainty Relations and Sparse Signal Recovery for Pairs of General Signal Sets
我们提出了一个不确定性关系表示的信号在两个不同的一般(可能是冗余或不完整的)信号集。这种不确定性关系是相关的分析信号包含两个不同的功能,其中每一个可以描述稀疏在一个合适的一般信号集。此外,新的不确定性关系,导致改善稀疏阈值恢复的信号稀疏在一般字典。具体来说,我们的研究结果提高了著名的$(1+1/d)/2$阈值的字典一致性$d$的一个因素。此外,我们提供了概率恢复保证对一般字典,也使我们能够了解一个一般字典的哪些部分需要随机化,以“淘汰”的稀疏模式,禁止打破平方根瓶颈。
2011-02-02 cs.IT math.IT
Compressed Sensing with Coherent and Redundant Dictionaries
Stanford University(斯坦福大学);Technion - Israel Institute of Technology(以色列理工学院);Center for Communications Research(通信研究中心)
针对信号在冗余字典而非正交基下稀疏的情况,提出测量矩阵的广义限制等距性质,保证通过L1分析优化问题实现精确恢复,填补了压缩感知在相干冗余字典领域的空白。
2010-12-04 cs.IT cs.NA math.IT
Analysis of Sparse Representations Using Bi-Orthogonal Dictionaries
考虑了在给定字典D的情况下,从M < N个线性观测值y = Dx中恢复N维稀疏向量x的稀疏表示问题.标准的方法是让字典的元素是独立同分布(IID)的零均值高斯,并在约束y = Dx下最小化x的l1范数。本文分析了字典为双正交字典D = [O 1 O2]时的l1-重构性能,其中O 1,O2是独立的,且在正交矩阵群上按Haar测度一致地画.通过副本方法的应用,我们得到了双正交字典的完美l1-恢复是可能的临界条件。
2012-07-10 cs.IT math.IT
Efficient Sparse Coding using Hierarchical Riemannian Pursuit
Hong Kong University of Science and Technology(香港科技大学)
稀疏编码是一类无监督的方法,用于以字典和稀疏码的线性组合的形式学习输入数据的稀疏表示。这种学习框架在各种图像和视频处理任务中取得了最先进的成果。然而,经典的方法学习字典和稀疏代码的基础上交替优化,通常没有理论保证的最优性或收敛性,由于非凸性的问题。最近的工作稀疏编码与一个完整的字典提供了强有力的理论保证,由于非凸优化的发展。然而,初始非凸方法在稀疏编码问题中以原子接原子的方式顺序地学习字典,这导致了很长的执行时间。最近的作品寻求直接学习整个字典一次,这大大减少了执行时间。然而,相关联的恢复性能随着有限数量的数据样本而降低。在本文中,我们提出了一个有效的稀疏编码方案与两个阶段的优化。该方案利用了两阶段优化问题的全局和局部黎曼几何,并通过有限数量的样本实现了出色的字典恢复性能,而无需逐个原子计算。我们进一步证明,以高概率,所提出的计划可以准确地恢复任何原子在目标字典与有限数量的样本,如果采用恢复字典的一个原子。最后给出了该算法在无线传感器数据压缩中的应用。仿真和真实数据实验验证了该方法的有效性。
2021-07-20 cs.IT cs.LG eess.SP
The devil in the (de)tails: an improved recovery guarantee for sparse approximation
Simon Fraser University(西蒙菲莎大学);Concordia University(康考迪亚大学)
针对稀疏逼近中截断误差过大的问题,利用样本点的独立同分布结构,提出基于连续L2范数衰减的离散L2截断误差上界,显著减小截断集大小并降低计算成本。
2026-06-26 cs.IT cs.NA math.IT
Dictionary Learning with Almost Sure Error Constraints
字典是标准向量的数据库,因此其他向量/信号被表示为字典向量的线性组合,并且针对给定数据学习字典的任务是找到好的字典,使得数据点的表示具有期望的特征。字典学习和相关的矩阵分解方法已经获得了显着的突出最近由于它们的应用在各种各样的领域,如机器学习,信号处理,统计等。在这篇文章中,我们研究的字典学习问题,以实现所需的功能,在表示一个给定的数据几乎肯定的恢复约束。我们施加的约束,每个样本被正确地重建到预定义的阈值内。这个问题的公式化比传统的字典学习更具挑战性,后者是通过最小化正则化的成本函数来完成的。我们利用线性反问题的对偶结果,得到一个等价的形式的凸-凹极小-极大问题。然后使用类似于梯度下降-上升的算法来解决由此产生的最小-最大问题。
2020-07-07 cs.IT cs.LG math.IT
Super-Resolution Compressed Sensing: An Iterative Reweighted Algorithm for Joint Parameter Learning and Sparse Signal Recovery
在许多实际应用中,如波达方向(DOA)估计和线性谱估计,稀疏字典通常是由一组未知参数在一个连续的域。为了将传统的压缩感知应用于此类应用,必须将连续参数空间离散化为有限的网格点集。离散化,但是,招致错误,并导致恶化的恢复性能。为了解决这个问题,我们提出了一种迭代重加权的方法,联合估计未知参数和稀疏信号。具体地说,该算法是通过迭代减少代理函数优化给定的目标函数,这导致在一个渐进的和交织的迭代过程,以改善未知参数和稀疏信号。数值结果表明,该算法在分辨密集频率分量时具有优越的性能。
2014-01-17 cs.IT math.IT
Simultaneous Sparse Recovery and Blind Demodulation
当信号经历未知调制(或互补傅立叶域中的卷积)时,在过完备字典中找到稀疏信号分解的任务变得更加复杂。这种同时稀疏恢复和盲解调问题出现在许多应用中,包括医学成像,超分辨率,自校准等,在本文中,我们考虑了一个更一般的稀疏恢复和盲解调问题,其中每个原子组成的信号经历了一个独特的调制过程。在假设调制波形存在于一个已知的公共子空间中的情况下,我们采用提升技术,并将此问题重新转换为从结构化线性测量中恢复列稀疏矩阵。在这个框架中,我们完成稀疏恢复和盲解调同时通过最小化诱导原子范数,这在这个问题中对应于块$\ell_1$范数最小化。对于完美的恢复在无噪声的情况下,我们推导出高斯和随机傅立叶过完备字典的近最佳样本复杂度界。我们还提供了在噪声情况下恢复列稀疏矩阵的界限。数值模拟说明和支持我们的理论结果。
2019-08-13 cs.IT math.IT
One condition for solution uniqueness and robustness of both l1-synthesis and l1-analysis minimizations
$\ell_1$合成模型和$\ell_1$分析模型从其欠采样测量中恢复结构化信号。前者的解是字典原子的稀疏和,后者的解与字典原子稀疏相关。本文解决的问题:我们什么时候可以相信这些模型恢复特定的信号?我们回答这个问题的条件,这是必要的和充分的,以保证恢复是唯一的和准确的,在测量噪声的存在下,是强大的。该条件是一个-为-所有的意义上说,它适用于两个$\ell_1$ -合成和$\ell_1$ -分析模型,其约束和无约束的配方,以及精确的恢复和强大的恢复情况。此外,一个凸无穷范数程序的数值验证的条件。包括与相关现有条件的全面比较。
2014-10-29 cs.IT math.IT math.OC
Complex Orthogonal Matching Pursuit and Its Exact Recovery Conditions
UESTC(电子科技大学)
本文针对复数情况(复测量向量、复字典和复加性高斯白噪声),提出正交匹配追踪(OMP)在无噪声和有界高斯噪声下精确恢复稀疏信号的条件,并推导了复数情况下的精确恢复条件(ERC)。
2012-06-11 cs.IT cs.NA math.IT
Robust Sparse Analysis Regularization
本文研究了L1分析正则化在求解线性反问题时的理论保证。在文献中的大多数以前的工作主要集中在稀疏合成先验的稀疏性是衡量的L1范数的系数,从一个给定的字典合成的信号。相比之下,更一般的分析正则化最小化了信号和字典中原子之间的相关性的L1范数,其中这些相关性定义了分析支持度。相应的变分问题包括几个著名的正则化,如离散全变分和融合套索。我们的主要贡献包括在推导出的充分条件,保证准确或部分分析支持恢复的真实信号中存在的噪声。更准确地说,我们给出了一个充分条件,以确保信号是唯一的解决方案的L1分析正则化在无噪声的情况下。同样的条件也保证了精确的分析支持恢复和L2鲁棒性的L1分析最小相对于一个足够小的噪声测量。该条件对于分析支持的鲁棒性变得尖锐。为了证明部分支持恢复和对任意有界噪声的L2鲁棒性,我们引入了一个更强的充分条件。当专门的L1合成正则化,我们的结果恢复一些相应的恢复和鲁棒性保证以前已知的文献。从这个角度来看,我们的工作是这些结果的推广。最后,我们说明这些理论研究结果的几个例子来研究的1-D总变差和融合Lasso正则化的鲁棒性。
2012-10-02 cs.IT math.IT
Greedy Signal Space Methods for incoherence and beyond
本文提出了一种新的信号空间贪心方法分析,适用于不相干或结构相干字典,改进了传统压缩采样文献中的结果。
2014-08-01 cs.IT cs.NA math.IT
Subspace-Sparse Representation
给定过完备字典$A$和作为$A$的几个线性独立列的线性组合的信号$b$,经典稀疏恢复理论处理恢复唯一稀疏表示$x$使得$b = A x$的问题。已知在一定条件下,$A$上的$x$可以通过基追踪(BP)和正交匹配追踪(OMP)算法恢复。在这项工作中,我们考虑更一般的情况下,$b$在于一个低维子空间跨越的$A$,这可能是线性相关的一些列。在这种情况下,稀疏解$x$一般是不唯一的,我们研究的问题,表示$x$确定的子空间,即非零条目的$x$对应的字典原子的子空间。这样的表示$x$称为子空间稀疏。我们提出了保证子空间稀疏恢复的充分条件,这些条件具有清晰的几何解释,并解释了子空间稀疏恢复的性质。我们还证明了在随机化模型下,充分条件可以满足。我们的结果是适用于传统的稀疏恢复问题,我们得到的条件稀疏恢复的限制比规范的相互相干条件。我们还利用这些结果对基于稀疏表示的分类方法进行了分析,得到了证明其正确性的条件。
2015-07-06 cs.IT math.IT stat.ML
Compressed Sensing and Redundant Dictionaries
本文将压缩感知的概念扩展到在规范正交基中不稀疏而是在冗余字典中稀疏的信号。证明了由某种类型的随机矩阵和确定性字典组成的矩阵具有小的限制等距常数。因此,相对于字典稀疏的信号可以通过基追踪从少量随机测量中恢复。此外,阈值压缩感知的恢复算法进行了研究,并提供了条件,保证重建的概率高。通过数值实验对不同格式进行了比较。
2010-11-09 cs.IT math.IT math.PR
Nonconvex Regularization Based Sparse Recovery and Demixing with Application to Color Image Inpainting
这项工作解决了在一些通用字典中稀疏的信号的恢复和分离问题。所涉及的应用包括声源分离、图像修补、超分辨率以及被削波、饱和、脉冲噪声或窄带干扰破坏的信号的恢复。我们采用$\ell_q$ -范数($0 \le q < 1$)的稀疏诱导,并提出了一个约束$\ell_q$ -最小化配方的恢复和分层问题。这个非凸公式近似求解的两个有效的一阶算法的基础上,最近的坐标下降和交替方向的乘法器(ADMM),分别。新算法在非凸情形下在一些温和的条件下是收敛的,并且对高维问题具有良好的规模。推导了新ADMM算法的收敛条件。此外,本文还对这两种算法进行了扩展,使其能够更好地利用多通道信号间的联合稀疏模式。各种数值实验表明,新的算法可以实现相当大的性能增益比$\ell_1$正则化算法。
2017-03-23 cs.IT math.IT
Support Recovery for Sparse Signals with Unknown Non-stationary Modulation
从低维噪声观测中估计稀疏信号的问题在许多应用中出现,包括超分辨率、信号反卷积和雷达成像。在本文中,我们考虑了一个稀疏信号模型与非平稳调制,其中每个字典原子有助于观察经历一个未知的,不同的调制。通过应用提升技术,在假设调制信号存在于一个公共子空间的条件下,将稀疏恢复和非平稳盲解调问题转化为从结构化线性观测值中恢复列稀疏矩阵的问题,并提出采用块$\ell_{1}$ -范数正则化二次最小化方法求解.由于观测噪声的影响,稀疏信号和调制过程不能被准确地恢复。相反,我们的目标是恢复地面真实信号的稀疏支持,并限制信号的非零分量和调制过程的恢复误差。特别地,我们得到了关于样本复杂度和正则化参数的支持精确恢复的充分条件,并将恢复误差限制在支持上。数值模拟验证和支持我们的理论研究结果,我们证明了我们的模型在单分子成像的应用的有效性。
2020-02-12 cs.IT math.IT
Stable Restoration and Separation of Approximately Sparse Signals
本文发展了新的理论和算法来恢复在一些通用字典中近似稀疏的信号(即,基、帧或过/不完整矩阵),但是被在第二通用字典中具有稀疏表示的干扰和测量噪声的组合破坏。算法和分析恢复条件考虑不同程度的信号和干扰支持集知识。所提出的框架所涵盖的特定应用包括恢复受脉冲噪声、窄带干扰或饱和/限幅影响的信号,以及图像修补、超分辨率和信号分离。两个音频和图像复原的应用实例证明了该方法的有效性。
2013-09-05 cs.IT math.IT
Compressive Sensing of Analog Signals Using Discrete Prolate Spheroidal Sequences
压缩感知(CS)最近已经成为一个框架,有效地捕捉信号,稀疏或可压缩的适当的基础。虽然经常作为奈奎斯特速率采样的替代方案,但在离散的有限维CS框架和获取连续时间信号的问题之间仍然存在差距。在本文中,我们试图弥合这一差距,利用离散长椭球序列(DPSS的),功能的集合,追溯到开创性的工作Slepian,朗道,波拉克的时间限制和限带操作的影响。DPSS的采样带限函数形成一个高效的基础,通过调制和合并DPSS基地,我们得到一个字典,提供高品质的稀疏近似最采样的多频带信号。这种多频带调制DPSS字典可以很容易地纳入CS框架。我们提供了理论保证和实际的洞察力,使用这个字典从压缩测量采样多频带信号的恢复。
2012-03-21 cs.IT math.IT
Dictionary Learning for Channel Estimation in Hybrid Frequency-Selective mmWave MIMO Systems
利用毫米波(mmWave)频率处的信道稀疏性减少了与信道估计阶段相关联的高训练开销。压缩感知(CS)信道估计技术通常采用(过完备)小波/傅立叶变换矩阵作为稀疏字典。这可能不是最好的选择时,考虑到非均匀阵列,天线增益/相位误差,互耦效应等,我们提出了两个字典学习(DL)算法学习最好的稀疏化字典的信道矩阵的观察与混合频率选择性毫米波多输入多输出(MIMO)系统。首先,我们优化组合字典,即,发送和接收字典的克罗内克积,因为它在实践中用于稀疏化信道矩阵。其次,考虑到在发射机和接收机的不同阵列结构,我们利用可分离的DL找到最佳的发送和接收字典。一旦信道被表示在优化字典方面,各种基于CS的稀疏恢复技术可以被应用于低开销信道估计。在预编码器/组合器可以被优化之前,所提出的DL算法在任何毫米波通信系统固有的低SNR条件下表现良好。所提出的DL算法的有效性已通过不同的系统配置,阵列的几何形状和硬件损伤的数值模拟得到证实。
2019-09-19 cs.IT eess.SP math.IT
DOLPHIn - Dictionary Learning for Phase Retrieval
TU Darmstadt(达姆施塔特工业大学);Technion – Israel Institute of Technology(以色列理工学院);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Université Grenoble Alpes(格勒诺布尔阿尔卑斯大学)
我们提出了一种新的算法来学习字典重建和稀疏编码信号的测量没有相位。具体而言,我们认为,估计一个二维图像的任务,从平方幅度测量的复值线性变换的原始图像。几个最近的相位恢复算法利用潜在的稀疏性的未知信号,以提高恢复性能。在这项工作中,我们认为这样一个稀疏的信号相位恢复的背景下,事先不知道的稀疏字典。我们的算法联合重建未知信号-可能被噪声破坏-并学习字典,使得估计图像的每个补丁可以稀疏表示。数值实验表明,我们的方法可以获得显着更好的重建相位恢复问题的噪声比方法,不能利用这种“隐藏”稀疏。此外,在理论方面,我们提供了我们的方法的收敛结果。
2016-08-03 cs.IT cs.LG math.IT