
A Low-Rank Approach to Off-the-Grid Sparse Deconvolution
Catala, Paul; Duval, Vincent; Peyré, Gabriel (2017), A Low-Rank Approach to Off-the-Grid Sparse Deconvolution, ORASIS 2017 - Journées francophones des jeunes chercheurs en vision par ordinateur, GREYC, 2017-06, Colleville-sur-Mer, France
View/ Open
Type
Communication / ConférenceDate
2017Conference title
ORASIS 2017 - Journées francophones des jeunes chercheurs en vision par ordinateur, GREYCConference date
2017-06Conference city
Colleville-sur-MerConference country
FranceMetadata
Show full item recordAuthor(s)
Catala, PaulDépartement de Mathématiques et Applications - ENS Paris [DMA]
Duval, Vincent

CEntre de REcherches en MAthématiques de la DEcision [CEREMADE]
Peyré, Gabriel
Département de Mathématiques et Applications - ENS Paris [DMA]
Abstract (FR)
On s'intéresse à la résolution numérique du problème de déconvolution sans grille pour des mesures de Radon discrètes. Une approche courante consiste à introduire des relaxations semidéfinies positives (SDP) du problème variationnel associé, qui correspond ici à un problème de minimisation de variation totale. Cependant, pour des signaux de dimension supérieure à 1, les méthodes usuelles de points intérieurs sont peu efficaces pour résoudre le programme SDP correspondant, la taille de celui-ci étant de l'ordre de fc^{2d} où fc désigne la fréquence de coupure du filtre et d la dimension du signal. Nous introduisons en premier lieu une version pénalisée de la formulation SDP, dont les solutions sont de faible rang. Nous proposons ensuite un schéma numérique basé sur l'algorithme de Frank-Wolfe, capable d'exploiter efficacement d'une part cette propriété de faible rang, d'autre part l'aspect convolutif du problème; notre méthode atteint ainsi un coût de l'ordre de O(fc^d log fc) par itération. Nos simulations sont prometteuses, et montrent que l'algorithme converge en k étapes, k étant le nombre de Diracs dans la solution.Abstract (EN)
We propose a new solver for the sparse spikes deconvolution problem over the space of Radon measures. A common approach to off-the-grid deconvolution considers semidefinite (SDP) relaxations of the total variation (i.e. the total mass of the measure) minimization problem. The direct resolution of this SDP is however intractable for large scale settings, since the problem size grows as f2dc where fc is the cutoff frequency of the filter. Our first contribution introduces a penalized formulation of this semidefinite lifting, which has low-rank solutions. Our second contribution is a conditional gradient (a.k.a. Frank-Wolfe) optimization scheme with non-convex updates. This algorithm leverages both the low-rank and the convolutive structure of the involvedvariable, resulting in an O(fdc log fc) complexity per iteration. Our numerical simulations are promising and show that this algorithm converges in exactly k steps, where k is the number of Diracs composing the solution.Subjects / Keywords
Sparse deconvolution; Superresolution; SDP relaxations; Conditional gradient; Déconvolution; Parcimonie; Relaxations SDP; Frank WolfeRelated items
Showing items related by title and author.
-
Catala, Paul; Duval, Vincent; Peyré, Gabriel (2017) Article accepté pour publication ou publié
-
Catala, Paul; Duval, Vincent; Peyré, Gabriel (2019) Article accepté pour publication ou publié
-
Duval, Vincent; Peyré, Gabriel (2015) Document de travail / Working paper
-
Duval, Vincent; Peyré, Gabriel (2015) Communication / Conférence
-
Duval, Vincent; Peyré, Gabriel (2017) Article accepté pour publication ou publié