[論文レビュー] Composite optimization for robust blind deconvolution

Vasileios Charisopoulos, Damek Davis+2 more|arXiv (Cornell University)|Jan 6, 2019

Sparse and Compressive Sensing Techniques参考文献 46被引用数 18

ひとこと要約

本稿では、標準的な統計的仮定のもとで、最大50%の測定値が不正に汚染されても次元に依存しない収束率を保証する、ロバストなブラインドデコンボリューションのための複合最適化フレームワークを提案する。この手法は、証明可能に効率的な初期化と、部分勾配およびプロキシニアーリング法を組み合わせ、次元に依存しない収束率を達成する非滑らか最適化手法を用いて、ランク1の双線形測定値から信号ペアを迅速かつ安定に回復する。

ABSTRACT

The blind deconvolution problem seeks to recover a pair of vectors from a set of rank one bilinear measurements. We consider a natural nonsmooth formulation of the problem and show that under standard statistical assumptions, its moduli of weak convexity, sharpness, and Lipschitz continuity are all dimension independent. This phenomenon persists even when up to half of the measurements are corrupted by noise. Consequently, standard algorithms, such as the subgradient and prox-linear methods, converge at a rapid dimension-independent rate when initialized within constant relative error of the solution. We then complete the paper with a new initialization strategy, complementing the local search algorithms. The initialization procedure is both provably efficient and robust to outlying measurements. Numerical experiments, on both simulated and real data, illustrate the developed theory and methods.

研究の動機と目的

• ノイズ混じりまたは不正に汚染された測定値が存在する状況におけるブラインドデコンボリューションの課題に対処すること。
• 統計的仮定のもとで良好な収束性を維持する非滑らか最適化定式化を構築すること。
• 測定値の次元に依存しない収束率を保証すること、特に測定値の半分まで不正に汚染されても同様に成立すること。
• 局所的最適化ソルバーのグローバル収束を保証する、証明可能に効率的なロバストな初期化戦略を設計すること。
• 目的関数の弱凸性、鋭さ、リプシッツ連続性に関する理論的保証を確立すること。

提案手法

• ブラインドデコンボリューション問題を、双線形測定モデルを含む非滑らか複合最適化問題として定式化する。
• ランク1の測定値の構造を活用して、弱凸性、鋭さ、リプシッツ連続性の次元に依存しないモジュラスを導出する。
• 部分勾配法およびプロキシニアーリング法を適用して複合問題を解き、次元に依存しない収束率を保証するグローバル収束を実現する。
• スペクトル法およびアトミックノルム技術に基づく、定数相対誤差初期化を達成する新しい初期化手順を導入する。
• ロバストな統計的モデリングを用いて、測定値に最大50%の悪意ある不正が加わっても安定性を確保する。
• 合成データおよび実世界データを用いた数値実験により、本手法の有効性と効率性を検証する。

実験結果

リサーチクエスチョン

• RQ1 非滑らか複合最適化フレームワークは、統計的仮定のもとでブラインドデコンボリューションにおいて次元に依存しない収束を達成できるか？
• RQ2 測定値の不正が加わった状況下で、ブラインドデコンボリューション問題における弱凸性、鋭さ、リプシッツ連続性のモジュラスはどのように振る舞うか？
• RQ3 局所的最適化手法のグローバル収束を保証する、証明可能に効率的な初期化戦略を設計できるか？
• RQ4 提案手法はどれほど測定値の不正に耐性を示せるか？具体的には、外れ値が何パーセントまで耐えられるか？
• RQ5 本手法は、実世界の画像復元および信号回復タスクにおいて、実効的にどれほど高い性能を示すか？

主な発見

• 標準的な統計的仮定のもとで、問題の弱凸性、鋭さ、リプシッツ連続性のモジュラスはすべて次元に依存しない。
• 測定値の最大50%がノイズによって不正に汚染されても、部分勾配法およびプロキシニアーリング法の収束率は次元に依存しないまま保たれる。
• 提案された初期化戦略は、真の解に対して高確率で定数相対誤差を達成し、グローバル収束を可能にする。
• シミュレーションデータを用いた数値実験により、理論的収束率と不正に対するロバストネスが確認された。
• 実データ実験により、本手法が画像のぼかし除去および信号回復タスクにおいて実用的に有効であることが示された。
• 本フレームワークは、顕著な測定ノイズ下でも安定性と正確性を維持し、ノイズの強い環境下でベースライン手法を上回る性能を示した。