[論文レビュー] A note on compressed sensing of structured sparse wavelet coefficients from subsampled Fourier measurements

Ben Adcock, Anders C. Hansen+1 more|arXiv (Cornell University)|Mar 26, 2014

Sparse and Compressive Sensing Techniques参考文献 1被引用数 7

ひとこと要約

本稿では、ハールウェーブレット係数における構造的スパarsityを持つ信号の、部分的にサンプリングされたフーリエ測定値を用いた効率的回復に関する理論的証明を提示する。階層的スパarsityをウェーブレットスケール全体で活用し、フーリエ係数のマルチレベルランダムサブサンプリングを用いることで、構造的スパarsityに比例するサンプル複雑度で安定的かつロバストな圧縮センシング回復が達成可能であることが示されている。これは、標準的な圧縮センシングの境界に比べ顕著に改善されている。

ABSTRACT

This note complements the paper "The quest for optimal sampling: Computationally efficient, structure-exploiting measurements for compressed sensing" [2]. Its purpose is to present a proof of a result stated therein concerning the recovery via compressed sensing of a signal that has structured sparsity in a Haar wavelet basis when sampled using a multilevel-subsampled discrete Fourier transform. In doing so, it provides a simple exposition of the proof in the case of Haar wavelets and discrete Fourier samples of more general result recently provided in the paper "Breaking the coherence barrier: A new theory for compressed sensing" [1].

研究の動機と目的

• ハールウェーブレット基底における構造的スパarsityを持つ信号の圧縮センシング回復の理論的基盤を確立すること。
• マルチレベル・サブサンプルド・フーリエ測定値の性能を、このような信号の再構成に関して分析すること。
• ウェーブレットスケール間の階層的スパarsityを活用することで、より少ない測定数で安定的かつロバストな信号回復が可能であることを証明すること。
• 提案された測定スキームが、標準的なサブガウス型ランダム測定値と比較して、サンプル複雑度および再構成精度の面で優れていることを実証すること。
• 広範な理論の一部として得られた重要な結果を、ハールウェーブレットと離散フーリエサンプリングに焦点を当てた、簡潔で解説的証明を提供すること。

提案手法

• 離散フーリエ変換に対してマルチレベルサブサンプリング戦略を用い、周波数帯域をウェーブレットスケールに対応する二進レベルに分割する。
• $(\mathbf{k},\mathbf{M})$-スパarsityとしてレベルごとの構造的スパarsityを定義し、各ウェーブレット係数レベル $c^{(j)}$ が高々 $k_j$ 個の非ゼロ要素を持つことを仮定する。
• ノイズのある測定制約 $\|y - Az\|_2 \leq \eta$ の下でウェーブレット係数の $\ell_1$ 最小化による凸最適化（ベースス・プルーフ）を適用する。
• 測定演算子をレベル別成分 $U_{jl}$ に分解し、フーリエ解析および三角多項式の境界を用いてそのスペクトルノルムを分析する。
• 確率的議論と集中不等式を用いて、制限等長性定数の境界を導出し、ランダムサブサンプリングの下で高確率で成立することを示す。
• 必要な測定数が各レベルで $m_j \gtrsim \left(k_j + \sum_{l \neq j} 2^{-|j-l|/2}k_l\right)\log(\epsilon^{-1})\log(n)$ に比例することを確立し、構造的スパarsityを反映している。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレット係数における構造的スパarsityを活用することで、特にハール基底において圧縮センシング回復を改善できるか？
• RQ2 ハールウェーブレットにおける構造的スパarsityを持つ信号を安定して回復するための最小のフーリエ測定数は何か？
• RQ3 フーリエ変換のマルチレベルサブサンプリングは、標準的なランダムサンプリングと比較して、再構成誤差およびサンプル複雑度の面でどのように異なるか？
• RQ4 ウェーブレット係数の階層的構造（細かいスケールでよりスパース）が、効率的回復を可能にする役割は何か？
• RQ5 先行研究における一般枠組みを踏まえ、ハールウェーブレットの場合に回復保証の理論的証明を提供できるか？

主な発見

• 各レベル $j$ における測定数は $m_j \gtrsim \left(k_j + \sum_{l \neq j} 2^{-|j-l|/2}k_l\right)\log(\epsilon^{-1})\log(n)$ に比例し、スケール間の構造的スパarsityの影響が反映されている。
• 確率 $1 - k\epsilon$ 以上で、再構成誤差が $\|x - \hat{x}\|_2 \leq C\left(\eta\sqrt{D}(1 + E\sqrt{k}) + \sigma_{\mathbf{k},\mathbf{M}}(\Phi^*x)_1\right)$ を満たす。ここで $\sigma_{\mathbf{k},\mathbf{M}}$ は最良の $(\mathbf{k},\mathbf{M})$-項近似誤差を測る。
• レベル別測定成分 $U_{jl}$ のスペクトルノルムは $\|U_{jl}\|_2 \lesssim 2^{-|j-l|/2}$ で有界であり、クロススケールコherenceの減衰を捉えている。
• 証明により、提案された測定スキームは階層的スパarsity構造を尊重するサンプル複雑度で安定的回復を達成でき、標準的な圧縮センシングの境界を上回ることを示している。
• 分析により、信号がハールウェーブレットにおける構造的スパarsityを持つ場合、フーリエ測定のマルチレベルサブサンプリングが最適回復に必要かつ十分であることが確認された。
• この結果は、MRI や CT などの応用分野で圧縮センシングが実験的に成功していることの厳密な理論的裏付けを提供している。