压缩感知相关文章

A remark on compressed sensing 中提到：关于采样矩阵需要满足的条件，首先是由D.Donoho在文Compressive Sensing中提出的CS1-CS3条件，接着E.Candes,J.Romberg,T.Tao也独立的证明了矩阵需要满足的条件，进一步的研究，由A.Cohen,W.Dahmen,R.Devore(Compressed Sensing and k-term approximation)中完成，而这篇文章主要的工作就是证明了在渐进的情况下，即当m,n趋于无穷大的情况下，以上三个条件是一致的。

On theory of compressive sensing via ell1 minimization Simple derivations and extensions

作者信息：Rice,Yin Zhang:http://www.caam.rice.edu/~zhang/

该文首先指出目前的CS理论有两大部分构成：recoverability和stability,recoverability指的是，什么样的采样矩阵和恢复算法能够重构k稀疏信号，而stability指的是当出现信号的近似k稀疏或者出现观测噪声时，算法的鲁棒性。本文的主要的contributions包括：1）提出了一种全新的non-RIP的分析框架；2）与RIP类算法相比，该算法能够将任意形式的先验信息融合到CS理论中；3）文章还验证了随机矩阵本质上是一致的。

Instance-optimality in probability with an ell1 decoder

作者信息：Department of Mathematics University of South Carolina

ronald devore：http://www.math.sc.edu/~devore/

该文

Incoherent dictionaries and the statistical restricted isometry property

作者信息:Tel-Aviv University Shamgar Gurevich: http://math.berkeley.edu/~shamgar/

这个大牛的文章太深奥，纯的数学

On verifiable sufficient conditions for sparse signal recovery via ell-1 minimization

作者信息：未找到

文章直接指出现有的RIP或者其他的包括Restricted Eigenvalue assumption 和Restricted Correlation assumption都不能立即判定一个矩阵是否能适合L1范数最小化来精确重构信号，因为这些指标都是不可计算的都属于NP问题，而唯一的可计算的指标：Mutual Incoherence又过于保守。该文提出了一种新的量化指标来定量描述给定的矩阵是否足够好来适合L1范数最小化来重构信号。

The secrecy of compressed sensing measurements

作者信息：Draper Laboratory，Yaron rachlin：http://yaron.rachlin.googlepages.com/

该文讨论了CS理论在密码学中应用的可行性，作者主要集中在L1范数最小化算法且无噪声的情况，结论是利用CS并不能得到完美的密码，但是作者阐释了一种称为computational notion of secrey,并说明了CS的measurment可以考虑作为密码。

Toeplitz compressed sensing matrices with applications to sparse channel estimation

作者信息：Rice University，Javis Haupt：http://www.ece.rice.edu/~jdh6/

该文前边部分对CS做了很好的综述，包括介绍CS的几种情况：最简单的CS，近似稀疏信号的CS重构，含Gaussian观测噪声的CS恢复算法，含有限噪声的CS恢复算法。特别是最后两种的区别，文章给了很好的解释和说明，包括相应的算法的各自特点。

Toeplitz structured compressed sensing matrices：

又是一篇关于采样矩阵的文章，这篇文章提出了一种新的构造采样矩阵的方法，Toeplitz Matrix,并且证明了改矩阵满足Cades提出的RIP性质，列出了与通常的随机采样矩阵相比的优缺点，以及该采样矩阵在系统辨识中的应用。

Efficient compressive sensing with determinstic guarantees using expander graphs

这篇文章很好，一个原因是它将07年之前的关于压缩CS的文章进行了很好的总结，综述内容很丰富，此外是该文提出了一种新的框架，一种基于bipartite expander graphs的方法，利用图论来解决CS的问题，最终回答了作者提出的两个CS存在的问题：1.对于O（n），及k=O（n）的情况，目前的CS理论是否能够精确重构，2.如果能的话，信号满足稀疏性的前提下，这样的矩阵及重构算法是否存在？

Computation and relaxation of conditions for equivalence between ell1 and ell0 minimization

这篇文章证明了在什么情况下，l0和l1的解是相同的，而且对信号的稀疏性有什么要求。

Fast compressive sampling with structurally random matrices

该文首先分析了已有的采样矩阵所具有的四个重要特征，并指出目前的采样矩阵一般只具备其中部分特征，之后具体分析的现在流行的两类采样矩阵的优缺点，包括第一类：随机高斯，随机贝努力，及亚高斯阵，第二类：部分傅里叶阵以及部分正交阵。在分析的基础上提出了一个hybrid采样矩阵，证明了该采样矩阵能够同时具有上述四个特点。

Sparse recovery using sparse random matrices

作者来自MIT,http://people.csail.mit.edu/radu/,主要研究方向也就是CS，文章的综述不错，总结的很详细，实验也很不错，文章主要是对稀疏的采样矩阵与通常的随机采样矩阵的对比，及其优势，并通过丰富的实验对几种常用的采样矩阵进行了比较。

A negative result concerning explicit matrices with the restricted isometry property

正如题目所示：文章指出通常的0，1采样矩阵需要额外的条件才能满足最优性，并且给出了更加紧的满足RIP条件的结果。

Toeplitz block matrices in compressed sensing

同样是讨论采样矩阵文章。

Combining geometry and combinatorics A unified approach to sparse signal recovery

作者信息：MIT，Radu Berinde：http://people.csail.mit.edu/radu/

该文对采样矩阵和恢复算法进行了分类：基于组合的方法和基于几何的方法，并且相应的算法有相应的采样矩阵与其相对应，组合的方法通常对应于稀疏的二值矩阵，而几何的方法主要是指常用的l1范数最小化等，对应的矩阵为稠密的随机高斯随机贝努力矩阵。文章从整体的观点出发，认为两种方法在某种意义下是相同的，并提出了新的采样矩阵和恢复算法。

High-dimensional subset recovery in noise Sparsified measurements without loss of statistical efficiency

作者信息:UC Berkeley,Dapo Omidiran: http://www.eecs.berkeley.edu/~dapo/

该文同上篇文章一样，也是研究了基于稀疏采样矩阵的Losso算法，同时考虑采样矩阵的稀疏和观测样本的噪声，并证明了当采样矩阵的稀疏度趋于0的情况下所需要的采样数目与稠密的采样矩阵需要的相同。

Efficient compressed sensing using high quality expander graphs

作者信息：Princeton，sina Jafarpour：http://sina2jp.googlepages.com/sinajafarpour%27shomepage

该文起源于Coding Theory，用于error correcting,其中比较经典的error correcting codes是LDPC（Low Density Parity Codes）,随后被xu weiyu（加州理工）用于CS领域，这篇文章是对Xu的理论的改进。

常用的RIP性质被用来检验一个随机矩阵是否能够用来作为采样矩阵，从而使得L1范数最小化算法能够对稀疏信号进行完美的重构，满足RIP性质的矩阵可以作为采样矩阵（充分条件），而Radu（见本页第一篇文章）提出了一种新的RIP，called RIP-1，标准的RIP（也称:RIP-2）保持了两稀疏信号的欧氏距离即Norm2，而RIP-1，则保持了稀疏信号的Manhattan距离，即Norm1，作者在文中说明了，只要矩阵满足RIP-1，也能保证将稀疏信号完美重构。

On some deterministic dictionaries supporting sparsity

作者信息：（特拉维夫，以色列港市）Shamgar Gurevich：http://math.berkeley.edu/~shamgar/

作者系数学出身，这篇文章从语言到内容涉及到太多的数学内容，可略过。