1 基本概念
1.1 定义与核心思想
压缩感知是一类研究“少量观测下重建信号”的方法框架。其基本出发点是：当信号在某个表示域中具有稀疏性时，不必像传统采样方式那样获取大量样本，也有可能通过较少测量恢复原始信息。与其先完整采集再压缩处理，不如在采集阶段就直接获取更有效的观测。
这一理论通常包含两个关键环节：一是设计合适的测量方式，使观测尽可能保留原信号的关键信息；二是利用优化或迭代算法，从这些观测中重建信号。由于该思路兼顾了数据获取效率与重建精度，因而在多个工程领域具有广泛价值。
1.2 发展背景
1.2.1 传统采样理论的局限
传统采样理论强调采样频率必须足够高，才能避免信息丢失并实现精确重建。这种思路对于一般带限信号有效，但在许多实际场景中，信号虽然维度很高，却往往只包含少量有效成分。若仍按高频率、大规模采样，往往会带来设备复杂度增加、存储压力上升和计算成本偏高等问题。
压缩感知正是在这种背景下发展起来的。它试图回答一个更经济的问题：如果信号本身“很简单”，是否可以用更少的数据完成重建。
1.2.2 稀疏表示的理论基础
压缩感知的出现与稀疏表示理论密切相关。许多信号在时域中并不稀疏，但在频域、小波域或其他变换域中只需少数系数即可表达主要特征。稀疏表示理论为这种现象提供了数学描述，也为后续的信号恢复奠定了基础。
随着凸优化、随机矩阵和高维统计等工具的发展，研究者逐渐证明：只要信号满足稀疏性，且测量过程具有适当性质，少量观测也能支持稳定恢复。
1.3 主要适用对象
1.3.1 稀疏信号
稀疏信号是压缩感知最直接的对象，指在某个表示域中仅有少数非零或显著系数的信号。例如某些脉冲型信号、稀疏频谱信号等，往往只需少量参数就能刻画其主要结构。
1.3.2 可压缩信号
可压缩信号并非严格稀疏，但其按大小排序后的系数会快速衰减。也就是说，虽然并非只有少数分量非零，但用少量大系数加上忽略小系数的近似方式，仍可获得较好的重建效果。这类信号在图像、语音和自然场景数据中较为常见。
1.3.3 低秩结构数据
压缩感知的思想也可推广到矩阵或张量等更高维对象。若数据在某种意义下具有低秩结构，例如信息主要集中在少数主成分上，则可以通过少量观测恢复整体结构。这类问题常与矩阵补全、低秩恢复等方向相互交叉。
2 数学基础
2.1 信号稀疏性
2.1.1 直接稀疏
直接稀疏是指信号在当前表示下本身就具有少量非零项。例如一个长度很长的向量只有少数几个位置取非零值，这种结构最容易进行理论分析和算法恢复。
2.1.2 变换域稀疏
多数实际信号并不在原始坐标中稀疏，而是在某种变换后变得稀疏。常见的变换包括傅里叶变换、小波变换、离散余弦变换等。压缩感知通常依赖这种“表示域稀疏”性质，因为它使复杂信号可以由较少系数描述。
2.2 测量矩阵
2.2.1 随机矩阵
测量矩阵用于描述从原信号到观测值的映射。随机矩阵，尤其是满足一定分布条件的矩阵，常被证明具有较好的恢复性质。它们能够在统计意义上打散信号结构，使少量观测尽可能包含分散的信息。
2.2.2 结构化测量矩阵
在实际系统中，测量矩阵往往不能完全随机，而是带有物理实现上的结构约束，例如部分傅里叶矩阵、随机采样矩阵或受硬件限制的编码矩阵。结构化测量矩阵虽然实现更方便，但在理论分析上通常比纯随机矩阵更复杂。
2.3 重建模型
2.3.1 约束优化模型
约束优化模型把恢复问题写成在观测一致性的前提下寻找最稀疏解。典型形式是最小化稀疏范数，同时要求重建结果与测量值相符。这类模型是压缩感知中最经典的表达方式之一。
2.3.2 正则化模型
正则化模型通过在目标函数中加入稀疏惩罚项，平衡数据拟合与结构约束。其优点是形式统一，便于处理噪声和不完美观测，也更适合数值优化实现。
2.3.3 误差容忍模型
在真实应用中，观测往往含噪或存在系统误差，因此恢复模型通常允许一定误差范围。误差容忍模型通过放宽严格相等约束，使算法能够在不理想条件下仍保持稳定输出。
3 核心理论
3.1 不相干性原理
3.1.1 采样基与稀疏基的关系
不相干性强调测量基与稀疏表示基之间应尽可能“互不对齐”。如果二者高度相关，少量观测可能只捕捉到局部信息，难以恢复整体结构；反之，若它们之间相互分散，则每次测量都能从不同角度获取信号信息。
3.1.2 随机测量的作用
随机测量之所以重要，正是因为它通常能有效降低采样基与稀疏基之间的相关性。随机化使观测不偏向某一特定结构，从而提高信息覆盖率，并增强恢复的可行性。
3.2 受限等距性质
3.2.1 定义
受限等距性质是衡量测量矩阵对稀疏向量长度保持能力的重要指标。若一个矩阵作用于稀疏向量后，仍大致保持其范数，则称其满足相应阶数的受限等距性质。
3.2.2 理论意义
这一性质为压缩感知的成功恢复提供了强有力的理论支撑。它表明测量过程不会严重扭曲稀疏信号之间的几何关系，因此恢复算法可以据此寻回原始结构。
3.2.3 与恢复性能的关系
受限等距性质越好，重建误差通常越小，稳定性也越高。许多恢复定理都以它为前提，说明在满足特定参数条件时，稀疏信号可以被准确或近似准确地恢复。
3.3 稀疏恢复条件
3.3.1 唯一性条件
唯一性条件关注的是：在给定测量值的情况下，是否只有一个稀疏解与之匹配。若满足一定的矩阵性质和稀疏度上界，则可保证恢复结果具有唯一性。
3.3.2 稳定性条件
稳定性强调当观测略有扰动时，恢复结果不应发生剧烈变化。对于现实数据而言，这一条件非常重要，因为它决定了方法能否容忍测量误差和环境噪声。
3.3.3 鲁棒性条件
鲁棒性比稳定性更进一步，关注的是在噪声、缺失观测或部分模型失真的情况下，算法是否仍能给出可用结果。鲁棒恢复通常要求测量矩阵与重建模型具有较强的容错能力。
4 重建算法
4.1 凸优化方法
4.1.1 L1最小化
L1最小化是压缩感知中最经典的方法之一。由于直接最小化零范数通常是组合优化问题，计算困难，因此常以L1范数作为替代，从而将问题转化为更易求解的凸优化形式。
4.1.2 基追踪
基追踪通常指在观测约束下寻找最小L1范数解。它在理论上具有良好的恢复保证，也常被视为压缩感知恢复的标准模型之一。
4.1.3 二次规划方法
当问题可改写为带线性约束的凸优化形式时，二次规划方法可以用于求解。此类方法数值性质较稳定，但在大规模问题中计算量可能较高。
4.2 贪婪算法
4.2.1 正交匹配追踪
正交匹配追踪通过逐步选择与当前残差最相关的基元素，并在每一步重新估计系数来逼近原信号。它实现直观，速度较快，适合某些稀疏度较低的场景。
4.2.2 匹配追踪
匹配追踪是一类逐步构造解的贪婪方法。它不一定在每一步都进行严格的正交更新，因此实现上更灵活，但恢复效果可能受到选择策略的影响。
4.2.3 子空间追踪
子空间追踪通过估计信号所在的子空间结构，逐渐恢复稀疏支持集或低维表示。该方法在处理块稀疏或结构化稀疏问题时具有一定优势。
4.3 迭代阈值方法
4.3.1 硬阈值迭代
硬阈值迭代在每次更新后保留最大的若干系数，其余直接置零。它适合目标信号具有明确稀疏度上界的情形，算法形式简单，便于快速实现。
4.3.2 软阈值迭代
软阈值迭代在保留主要系数的同时对其幅值进行收缩，因此更适合与L1正则化模型配合使用。它在噪声环境下常表现出较好的平滑效果。
4.3.3 近端梯度法
近端梯度法将光滑项和非光滑正则项分开处理，兼顾了计算效率与模型表达能力。该方法已广泛用于大规模稀疏恢复问题，是现代优化中的常见工具。
5 理论分析
5.1 采样率与重建精度
5.1.1 样本复杂度
样本复杂度描述的是为了达到某种恢复精度，至少需要多少观测。一般而言，稀疏度越高、结构越复杂，所需样本也越多；反之，若信号更稀疏，则观测需求更低。
5.1.2 噪声影响
噪声会降低观测的可靠性，并影响重建误差。理论上通常可以给出误差上界，说明在一定噪声水平下，恢复结果仍能保持在可控范围内。
5.2 算法收敛性
5.2.1 收敛速度
收敛速度反映算法达到目标精度所需的迭代次数。凸优化方法往往有较成熟的收敛分析，而贪婪算法和迭代阈值法则更强调在效率和精度之间的平衡。
5.2.2 局部与全局收敛
部分算法只能保证在特定初值附近收敛，而另一些则可证明全局收敛。压缩感知中的许多经典算法依赖问题结构，在适当条件下可获得较强的全局恢复保证。
5.3 误差界
5.3.1 无噪声情形
在理想无噪声情形下，若稀疏性与测量条件满足要求，理论上可实现精确重建。此时误差界往往可收缩到零或非常小的范围。
5.3.2 有噪声情形
有噪声时，误差界通常与噪声强度成正比或近似成比例。也就是说，噪声越大，恢复误差越高，但在良好测量条件下误差增长仍可保持受控。
5.3.3 模型失配情形
模型失配指实际信号并不完全符合理论假设，例如并非严格稀疏、测量矩阵存在偏差或先验结构估计不准。此时误差界需要同时反映近似误差和观测误差，因而更接近真实应用情况。
6 典型应用
6.1 医学成像
6.1.1 磁共振成像
磁共振成像采集时间较长，压缩感知可通过减少采样点来缩短扫描时间，同时尽量保持图像质量。这使其在临床成像中具有较高应用价值。
6.1.2 计算层析成像
在计算层析成像中，压缩感知可帮助在较少投影数据下重建内部结构，从而降低辐射剂量或提升采集效率。对于受限采样场景，该方法尤其有吸引力。
6.2 图像与视频处理
6.2.1 压缩成像
压缩成像将采集与压缩合并在一起，直接获取少量编码观测，再通过算法恢复图像。它适合传感器资源有限或实时要求较高的场景。
6.2.2 去噪与重建
压缩感知中的稀疏先验也常用于去噪与重建任务。通过约束图像在变换域中的稀疏性，可以抑制噪声并补全缺失信息。
6.3 通信与雷达
6.3.1 频谱感知
频谱感知关注的是在宽带频段中发现少量占用信号。由于频谱使用在很多时段呈稀疏分布，压缩感知可用于减少采样开销并提高检测效率。
6.3.2 稀疏信道估计
通信信道往往只在少数时延或路径上具有显著响应，因此可视为稀疏结构。压缩感知可用于在较少导频条件下估计信道参数。
6.3.3 目标检测
雷达回波中常包含少量显著目标回波与大量背景成分。借助稀疏建模与恢复算法，可以在一定程度上提升目标检测能力并减少观测负担。
7 扩展与相关理论
7.1 稀疏表示
7.1.1 字典学习
字典学习通过从数据中自动学习适合的表示基，使信号在该字典下更易呈现稀疏性。它增强了压缩感知在复杂数据上的适应能力。
7.1.2 过完备表示
过完备表示使用比信号维度更多的原子来描述数据，能够提供更灵活的稀疏编码方式。虽然表示能力更强，但恢复问题也相应更加复杂。
7.2 低秩恢复
7.2.1 矩阵补全
矩阵补全研究的是如何根据部分已知条目恢复完整矩阵。若矩阵满足低秩条件，则可借助与压缩感知相似的思想进行重建。
7.2.2 鲁棒主成分分析
鲁棒主成分分析将数据分解为低秩部分和稀疏异常部分，适用于存在离群点或遮挡的场景。它体现了压缩感知中“结构先验 + 优化恢复”的共同思想。
7.3 统计学习联系
7.3.1 正则化思想
压缩感知与统计学习中的正则化方法有密切联系，二者都通过添加结构约束来控制模型复杂度。稀疏惩罚、范数约束和模型选择等思想在两个领域中都有广泛应用。
7.3.2 高维数据分析
在高维数据分析中，样本数量往往少于变量维数，因此必须依赖结构假设来实现有效推断。压缩感知为这类问题提供了重要的理论工具，也影响了现代高维统计的发展。
8 研究进展
8.1 理论发展
8.1.1 早期奠基工作
压缩感知的早期研究主要集中于证明稀疏信号可以由少量随机观测恢复，并建立相关的可恢复条件。这些工作奠定了该领域的基本框架。
8.1.2 后续完善与推广
随着研究深入，压缩感知理论不断扩展到更一般的信号模型、结构化稀疏和矩阵恢复问题。相关结果也从理想化假设逐步走向更贴近实际应用的形式。
8.2 算法演化
8.2.1 从批处理到快速迭代
早期恢复方法多依赖批量式求解，计算量较大。后来，随着迭代优化和分布式计算的发展，算法逐渐向更快、更适合大规模数据的方向演化。
8.2.2 从精确恢复到近似恢复
在实际系统中，完全精确恢复并不总是必要。许多研究开始关注近似恢复、结构估计和任务导向恢复，使压缩感知更加贴近工程需求。
8.3 工程实现
8.3.1 硬件友好型测量
为了便于落地，研究者设计了多种适合传感器和成像设备实现的测量方案。这些方案通常兼顾随机性、可实现性和能耗控制。
8.3.2 大规模计算优化
面对高维数据，恢复算法必须具备较高的计算效率。并行计算、稀疏矩阵运算和高效近端方法等技术，使压缩感知更适合大规模工程应用。