[論文レビュー] A Fast Non-Gaussian Bayesian Matching Pursuit Method for Sparse Reconstruction

Mudassir Masood, Tareq Y. Al-Naffouri|arXiv (Cornell University)|Jun 19, 2012

Sparse and Compressive Sensing Techniques参考文献 9被引用数 6

ひとこと要約

本稿では、信号統計の知識を必要としない、スパース信号再構成のための高速な非ガウス型ベイズ的マッチング・パルス手法nGpFBMPを提案する。順序逐次的グリーディ更新とベイズ推定を用いることで、信号事前分布が非ガウス的または未知であっても、ロバストで低複雑度の最小平均二乗誤差（MMSE）推定を達成する。本手法は、さまざまな信号タイプとスパース性レベルにおいて、既存手法を精度と実行時間の両面で上回る性能を発揮する。

ABSTRACT

A fast matching pursuit method using a Bayesian approach is introduced for sparse signal recovery. This method, referred to as nGpFBMP, performs Bayesian estimates of sparse signals even when the signal prior is non-Gaussian or unknown. It is agnostic on signal statistics and utilizes a priori statistics of additive noise and the sparsity rate of the signal, which are shown to be easily estimated from data if not available. nGpFBMP utilizes a greedy approach and order-recursive updates of its metrics to find the most dominant sparse supports to determine the approximate minimum mean square error (MMSE) estimate of the sparse signal. Simulation results demonstrate the power and robustness of our proposed estimator.

研究の動機と目的

• 信号事前分布が非ガウス的または未知であっても有効なスパース信号再構成手法の開発。
• 信号およびノイズ統計の完全な知識を必要とする従来のベイズ手法と比較して、計算複雑度の低減。
• 信号およびノイズハイパーパrameterの初期推定値に依存しないロバストな性能の実現。
• スパース性率とノイズ統計のみを用いて、高精度な最小平均二乗誤差（MMSE）推定を達成すること。これらのパrameterはデータから推定可能である。
• FBMP や L1-最適化などの最先端手法と比較して、再構成精度と計算効率の両面で優れた性能を示すことの実証。

提案手法

• 本手法は、最も顕著なスパース信号成分を逐次的に同定するグリーディで順序逐次的なマッチング・パルスフレームワークを採用する。
• ガウス事前分布を仮定せずに、近似的なMMSE推定を実行するためのベイズ推定を用いる。
• アルゴリズムは信号統計に依存せず、スパース性率と加法的ノイズ分散のみを必要とし、これらはいずれもデータから推定可能である。
• 混合成分表現を用いた逐次的モデル拡張を実行し、再帰的更新により計算複雑度を低く維持する。
• 明示的な分布仮定を避けることで非ガウス事前分布を活用し、信号およびノイズパラメータの頑健な経験的推定に依存する。
• 低複雑度を維持しながら高精度な再構成を達成するため、高速な再帰的更新戦略を統合する。

実験結果

リサーチクエスチョン

• RQ1 ガウス事前分布を仮定しないベイズ的マッチング・パルス手法は、非ガウス的信号事前分布に対してもロバストなスパース信号再構成を達成できるか？
• RQ2 非ガウス的ベイズ手法は、従来のガウスベースのベイズ手法および凸最適化手法と比較して、再構成精度と実行時間の両面でどのように性能を発揮するか？
• RQ3 提案手法は、信号およびノイズハイパーパrameterの初期推定値に対してどの程度感度が低いか？
• RQ4 スパース性率とノイズ分散は、データから信頼性高く推定可能か？これにより、信号統計の事前知識なしに手法が運用可能となるか？
• RQ5 本手法は、画像や非i.i.d.入力などの実世界信号において、どのように性能を発揮するか？

主な発見

• nGpFBMPは、ガウスi.i.d.入力に対して平均NMSE -31.103 dB、非i.i.d.一様入力に対して -30 dBを達成した。同じ条件下でFBMPはそれぞれ -20.55 dB および -23.87 dB を記録し、nGpFBMPは顕著に優れた性能を示した。
• 同じ信号タイプにおいて、nGpFBMPはMondrian画像の再構成時間をFBMPの19.36秒から平均6.8秒にまで短縮し、計算効率の優位性を示した。
• スパース性パrameter $p$ の変更に対しても、nGpFBMPの性能はほとんど変化せず、わずかなNMSEの劣化しか認められず、強力なロバスト性を示した。
• 初期ハイパーパrameterが真値に近い場合、nGpFBMPは一貫した性能を維持した一方で、FBMPは性能向上を示した。これにより、nGpFBMPが初期推定値に依存しないことが確認された。
• マルチスケール画像再構成において、nGpFBMPはFingerprint、Facets、Mondrianを含むすべてのテスト画像で、NMSEが低く、再構成時間が速く、FBMPを上回った。
• 非i.i.d.および非ガウス的信号に対しても、nGpFBMPは最小限の性能劣化で安定した性能を発揮し、信号分布仮定に依存しないことの妥当性が検証された。