[論文レビュー] Blind Compressed Sensing Over a Structured Union of Subspaces

Jorge G. Silva, Minhua Chen+3 more|arXiv (Cornell University)|Mar 12, 2011

Sparse and Compressive Sensing Techniques参考文献 12被引用数 23

ひとこと要約

本稿は、1ブロックスパースモデルのもとで、複数のセンシング行列と低ランク行列補完理論を活用して、圧縮測定値から同時に行われる辞書学習と信号復元を可能にするブラインド圧縮センシングフレームワークを提案する。十分な測定値と信号が利用可能な場合、高い確率で辞書と信号が一意に復元可能（ブロックの順序入れ替えおよび可逆変換を除く）であることを証明し、収束性を保証する交互最小二乗法アルゴリズムを提示。画像の穴埋めに応用した結果、最先端のPSNR性能を達成した。

ABSTRACT

This paper addresses the problem of simultaneous signal recovery and dictionary learning based on compressive measurements. Multiple signals are analyzed jointly, with multiple sensing matrices, under the assumption that the unknown signals come from a union of a small number of disjoint subspaces. This problem is important, for instance, in image inpainting applications, in which the multiple signals are constituted by (incomplete) image patches taken from the overall image. This work extends standard dictionary learning and block-sparse dictionary optimization, by considering compressive measurements, e.g., incomplete data). Previous work on blind compressed sensing is also generalized by using multiple sensing matrices and relaxing some of the restrictions on the learned dictionary. Drawing on results developed in the context of matrix completion, it is proven that both the dictionary and signals can be recovered with high probability from compressed measurements. The solution is unique up to block permutations and invertible linear transformations of the dictionary atoms. The recovery is contingent on the number of measurements per signal and the number of signals being sufficiently large; bounds are derived for these quantities. In addition, this paper presents a computationally practical algorithm that performs dictionary learning and signal recovery, and establishes conditions for its convergence to a local optimum. Experimental results for image inpainting demonstrate the capabilities of the method.

研究の動機と目的

• 完全な信号観測が得られない状況下で、圧縮測定値から信号を復元し、辞書を学習する課題に対処すること。
• 不完全なデータを伴う圧縮センシングの枠組みにおいて、辞書学習とブロックスパース辞書最適化を拡張すること。
• 複数のセンシング行列を組み込み、学習した辞書に対する制約を緩和することで、ブラインド圧縮センシングを一般化すること。
• 圧縮測定値から辞書と信号が一意に復元可能である理論的条件を確立すること。
• 圧縮センシング設定下で、同時辞書学習と信号復元のための実用的で収束性を保証するアルゴリズムを開発すること。

提案手法

• 信号を未知の辞書上での1ブロックスパース表現としてモデル化し、ブロック構造によって定義される部分空間の直和上に位置すると仮定する。
• 低ランク行列補完理論を活用して復元を可能にするために、複数のセンシング行列を用いる。係数行列の構造的スパarsityを活用する。
• 交互最小二乗法アルゴリズムを用いて、辞書とスパース係数を反復的に更新し、緩い条件下でも収束性を保証する。
• 重なりのある画像パッチを信号とみなして、パッチの平均化により復元することで、画像の穴埋めに応用する。
• 信号ごとの測定数および復元に必要な信号数に関する理論的境界を導出する。
• 行列補完の結果を活用して、解がブロックの順序入れ替えおよび辞書原子の可逆線形変換を除き一意に定まることを証明する。

実験結果

リサーチクエスチョン

• RQ1 信号が1ブロックスパースである場合、圧縮測定値から同時に辞書学習と信号復元が可能か？
• RQ2 どのような条件下で、同値類を除き辞書と信号が圧縮測定値から一意に復元可能か？
• RQ3 複数のセンシング行列は、ブラインド圧縮センシングにおける復元性能と理論的保証をどのように向上させるか？
• RQ4 このフレームワークにおいて、高確率での復元が達成されるために必要な信号ごとの最小測定数と信号数は何か？
• RQ5 提案された交互最小二乗法アルゴリズムは実際の応用でどのように性能を発揮するか。また、局所最適解に収束するか？

主な発見

• 50%の観測ピクセルにおいて、'Barbara'画像では27.93 dB、'house'画像では31.80 dBという高いPSNRを達成した。
• フェーズ遷移解析により、観測ピクセルの割合が増加するにつれて、特にブロックサイズが大きい場合、PSNR > 40 dBの再構成が確率的に可能になる。
• アルゴリズムによって学習された辞書原子は、衣類のテクスチャーや背景といった意味のある画像構造を捉えており、類似したパッチは同じ辞書ブロックを用いている。
• 理論的境界により、信号ごとの測定数と信号数が十分に大きい場合、一意な復元が高確率で可能であることが確認された。
• 交互最小二乗法アルゴリズムは緩い条件下で局所最適解に収束し、パrameterチューニングや慎重な初期化なしに安定した性能を示した。
• 最大ブロックサイズ（$k_{ ext{max}}$）を増加させることでPSNRが向上し、モデルの単純性と再構成精度のトレードオフが示された。