基于学习的 FRI 信号重构
信号处理
2023-07-21 v2
摘要
有限新息率（Finite Rate of Innovation，FRI）采样理论能够从低速率离散样本中重构具有少量自由参数的连续非带限信号类。该任务常被转化为谱估计问题，使用涉及信号子空间估计的方法求解，这类方法在某一峰值信噪比（PSNR）下往往会失效。为避免此种失效，我们考虑利用带标签数据信息的替代方法。我们提出两种基于模型的学习方法，包括将谱估计中的去噪过程深度展开，以及构建建模采集过程的编码器-解码器深度神经网络。两种学习算法的仿真结果表明，其失效 PSNR 相较经典基于子空间的方法有显著提升。虽然深度展开网络在低噪声区间取得与经典 FRI 技术相近的性能并优于编码器-解码器网络，但后者即便在采样核未知时也能重构 FRI 信号。我们在活体钙成像数据中以真阳性率和假阳性率检测脉冲方面也取得了具竞争力的结果，同时给出了更精确的估计。
引用
@article{arxiv.2212.08758,
title = {Learning-Based Reconstruction of FRI Signals},
author = {Vincent C. H. Leung and Jun-Jie Huang and Yonina C. Eldar and Pier Luigi Dragotti},
journal= {arXiv preprint arXiv:2212.08758},
year = {2023}
}
备注
Accepted version; Code available at: https://github.com/vchleung/LearningBasedFRI