技术摘要：基于反卷积的功能性多参考对齐

1. 问题陈述

本文解决了**功能性多参考对齐（MRA）**问题。其目标是从 $N$ 个独立的含噪观测值中估计一个未知的实值信号函数 $f: \mathbb{R}^d \to \mathbb{R}$。每个观测值 $y_n$ 是信号的平移和受扰版本：
$$y_n(t) = f(t - \zeta_n) + \eta_n(t), \quad t \in D$$
其中：

• $D \subset \mathbb{R}^d$ 是一个有界域。
• $\zeta_n$ 是从具有紧支集的未知分布中独立抽取的随机平移量。
• $\eta_n$ 是独立的、均值为零的高斯过程，具有已知的协方差函数 $k_\eta$。

本文将这种功能性表述与经典的离散 MRA模型区分开来。在离散 MRA 中，信号是有限向量，平移是循环的（模信号长度），且噪声通常被建模为白噪声（不相关）。功能性设定的动机源于冷冻电子显微镜（cryo-EM）等应用，其中信号代表物理对象（函数），且变换（平移/旋转）是连续且非循环的。此外，功能性模型允许空间相关的噪声，这比随着离散化增加而变得不适定的白噪声假设更符合高分辨率成像的实际情况。

2. 方法论：与反卷积的联系

核心方法论贡献在于建立了功能性 MRA 与具有重复测量的反卷积统计问题之间的严格联系。

2.1. 理论基础：Kotlarski 恒等式

在傅里叶域中，观测模型变为：
$$\hat{y}_n(\omega) = e^{-i\omega \cdot \zeta_n} \hat{f}(\omega) + \hat{\eta}_n(\omega)$$
作者分析了非中心过程 $\hat{y}$ 的自相关。他们基于观测值的二阶统计量（自相关）定义了函数 $\Psi(\omega_1, \omega_2)$：
$$\Psi(\omega_1, \omega_2) = \hat{f}(\omega_1)\hat{f}(\omega_2)\hat{p}_\zeta(\omega_1 - \omega_2)$$
其中 $\hat{p}_\zeta$ 是平移分布的特征函数。

本文证明了 $\hat{f}$ 可以利用 Kotlarski 恒等式的推广形式从 $\Psi$ 中恢复，这是反卷积中的一个经典结果，保证了从重复含噪观测中识别潜在分布的可能性。具体而言，如果 $\Psi$ 在其对角线上非零，则 $\hat{f}$ 由 $\Psi$ 梯度的路径积分确定：
$$\hat{f}(\omega) = \exp\left( \int_0^1 \frac{\nabla_1 \Psi(\alpha\omega, \alpha\omega)}{\Psi(\alpha\omega, \alpha\omega)} \cdot \omega \, d\alpha \right)$$
该公式允许直接从二阶统计量估计信号的傅里叶变换，从而避开了高噪离散 MRA 中通常所需的平移同步或高阶矩（如双谱）。

2.2. 算法框架

提出的恢复过程（算法 2.1）包含三个步骤：

1. 估计 $\Psi$：计算傅里叶变换后观测值的样本自相关，并减去已知的噪声协方差。使用正则化估计器来处理分母中的小值。
2. 估计 $\hat{f}$：将估计的 $\Psi$ 代入广义 Kotlarski 公式以恢复 $\hat{f}$。
3. 反卷积：应用带有正则化核（带宽 $h$）的逆傅里叶变换，以恢复空间信号 $\hat{f}$。

2.3. 扩展到傅里叶变换为零的情况

基于标准 Kotlarski 方法的显著局限性在于要求 $\hat{f}$ 非零。本文将方法论扩展到了处理 $\hat{f}$ 具有零点的信号（算法 4.1）。这涉及：

• 通过分析经验功率谱导数的零点来估计 $\hat{f}$ 零点的位置。
• 修改 Kotlarski 积分，排除这些估计零点周围的邻域。
• 使用考虑零点处符号变化的广义公式。

3. 主要贡献

1. 功能性表述及其与反卷积的联系：本文正式将功能性 MRA 与具有重复测量的反卷积联系起来，利用 Kotlarski 恒等式为从二阶统计量恢复信号提供了新的识别结果。
2. 多维扩展：作者将 Kotlarski 公式（此前仅建立在一维或特定希尔伯特空间设定下）扩展到任意维度 $d$，为多维信号提供了构造性估计器。
3. 处理消失频率：本文解决了信号傅里叶变换为零的情况，这是标准谱方法失效的场景。它为这一更广泛的信号类提供了稳定的算法（算法 4.1）和理论保证。
4. 理论恢复保证：
   • 误差界：本文推导了估计器在傅里叶域和空间域（$L_\infty$）的高概率误差界。
   • 样本复杂度：分析以可解释的模型参数刻画了样本复杂度 $N$：信号平滑度（$\beta$）、噪声方差（$\sigma$）和噪声相关长度尺度（$\lambda$）。
   • 高噪机制：在高噪机制下，本文表明 $N \gtrsim \sigma^4$ 个样本足以进行恢复，这与具有非周期平移的离散 MRA 的最佳已知速率相匹配，但无需离散模型的限制性假设。
5. 对连续平移的鲁棒性：与依赖平移恰好发生在网格上（循环平移）假设的离散谱算法不同，所提出的功能性方法在平移遵循连续分布时保持稳定，这是冷冻电子显微镜等物理应用中的常见场景。

4. 结果与数值验证

本文通过对四种信号类型的数值实验验证了所提出的方法：

• 普通光滑：线性和三次样条（满足非零假设）。
• 超光滑：Gabor 小波（频率上指数衰减）。
• 消失频率：高斯混合模型（满足傅里叶变换为零的假设）。

主要发现：

• 样本复杂度：经验误差衰减率与理论预测一致，表明更光滑的信号（更高的 $\beta$）允许更快的误差衰减。
• 噪声参数：算法对高噪声水平（$\sigma$）和小相关长度尺度（$\lambda$）表现出鲁棒性。样本复杂度按 $N \sim \sigma^4$ 和 $N \sim \log(\lambda^{-d})$ 缩放，与理论推论一致。
• 与谱算法的比较：所提出的算法在多种场景下显著优于基于二阶矩的 [2] 中最新谱算法：
  • 高噪声：随着噪声增加，谱算法的性能迅速下降，而反卷积方法保持稳定。
  • 连续平移：当平移从连续分布中抽取（违反离散循环假设）时，谱算法失效，而所提出的方法成功。
  • 消失频率：谱算法在理论上无法处理傅里叶变换为零的信号，而算法 4.1 成功恢复了它们。

5. 意义与主张

本文声称其主要意义在于提供了一个稳定且理论扎实的功能性 MRA 框架，克服了离散模型的局限性。通过将 MRA 框架化为反卷积问题，作者：

• 避免了离散模型中随离散化级别增加而导致的噪声方差“爆炸”。
• 实现了对非带限信号和具有消失傅里叶变换信号的恢复保证。
• 证明了二阶统计量足以在高噪机制下进行恢复，而无需离散 MRA 中通常所需的限制性结构假设（如稀疏性或特定代数集）。

作者强调，虽然他们的理论速率可能比经验表现更保守，但该方法为现有方法提供了一种稳健的替代方案，特别适用于涉及连续对称性和相关噪声的应用，如结构生物学和成像。