[論文レビュー] Compressed BC-LISTA via Low-Rank Convolutional Decomposition

Han Wang, Yhonatan Kvich+3 more|arXiv (Cornell University)|Jan 30, 2026

Ultrasound Imaging and Elastography被引用数 0

ひとこと要約

本論文は低ランク畳み込み分解による圧縮前方モデルを提案し、それを用いてC-BC-LISTAを構築する。これはマルチチャネル超音波イメージングにおいて、パラメータ数が少なく収束が速い軽量なLISTAベースのソルバーであり、最新のベースラインよりも性能が向上する。

ABSTRACT

We study Sparse Signal Recovery (SSR) methods for multichannel imaging with compressed {forward and backward} operators that preserve reconstruction accuracy. We propose a Compressed Block-Convolutional (C-BC) measurement model based on a low-rank Convolutional Neural Network (CNN) decomposition that is analytically initialized from a low-rank factorization of physics-derived forward/backward operators in time delay-based measurements. We use Orthogonal Matching Pursuit (OMP) to select a compact set of basis filters from the analytic model and compute linear mixing coefficients to approximate the full model. We consider the Learned Iterative Shrinkage-Thresholding Algorithm (LISTA) network as a representative example for which the C-BC-LISTA extension is presented. In simulated multichannel ultrasound imaging across multiple Signal-to-Noise Ratios (SNRs), C-BC-LISTA requires substantially fewer parameters and smaller model size than other state-of-the-art (SOTA) methods while improving reconstruction accuracy. In ablations over OMP, Singular Value Decomposition (SVD)-based, and random initializations, OMP-initialized structured compression performs best, yielding the most efficient training and the best performance.

研究の動機と目的

• 圧縮前方・後方演算子下での時delayベース測定における疎信号復元の動機付け。
• 解析演算子の低ランク畳み込み分解を用いた圧縮前方モデルの開発。
• 圧縮前方モデルを活用した軽量なLISTA派生形（C-BC-LISTA）の多チャネル撮像への実装。
• SOTAベースラインと比較した再構成精度の向上、パラメータ数と容量の削減を実証。
• 初期値、基底フィルタ数、前方/後方モデルの訓練可能性の影響を特定するアブレーションを提供。

提案手法

• 時 delayベースのFMCマルチチャネル超音波測定のスライスごと畳み込み前方モデルを定式化。
• 前方フィルタ重み行列WをW ≈ C Bと因数分解し、BはOMPで選択されたM個の基底フィルタ、Cは混合係数を含む。
• 因数分解を2層の低ランクCNNモジュールとして実現：第一層は基底フィルタBを使用、第二層は1x1畳み込みで混合係数Cを適用。
• OMPと（必要に応じて）SVDを適用して圧縮基底Bと混合Cを取得。Bの行は解釈可能性を保つためWから引かれる。
• 各ISTAステップを2層の圧縮畳み込みモジュールに置換することでBC-LISTAをC-BC-LISTA化。後方操作の厳密な随伴性を維持。
• 訓練可能性オプションとして、前方/後方カーネルを固定/訓練可能、ブロックパラメータをブロック間で共有/個別にするか、を含む。

実験結果

リサーチクエスチョン

• RQ1 前方モデルの低ランク畳み込み分解は、マルチチャネル撮像における圧縮かつ正確な疎信号復元を可能にするか。
• RQ2 圧縮版のBC-LISTAは既存のLISTA変種よりもはるかに少ないパラメータとストレージで同様またはそれ以上の再構成を実現できるか。
• RQ3 初期化と圧縮戦略（例：OMPベースの基底選択）は訓練効率と収束挙動にどのような影響を与えるか。
• RQ4 C-BC-LISTAはノイズなしおよびさまざまなSNR条件下のマルチチャネル超音波撮像でどう性能を示すか。
• RQ5 基底フィルタ数の増加は収束速度と再構成精度にどのような影響を与えるか。

主な発見

• C-BC-LISTAはSOTA手法よりパラメータ数とモデルサイズを大幅に削減しつつ再構成精度を向上。
• OMP初期化による構造化圧縮がアブレーションの中で最も良く、訓練効率と収束を改善。
• 基底フィルタ数を増やすと収束が速くなるが主に速度に影響し、誤差床には影響が限定的。BF-16がしばしば強い性能を示す。
• 前方・後方モデルの解析的初期化は安定かつ高速な収束をもたらし、前方モデルを固定すると訓練は遅くなる。
• C-BC-LISTAは一般にMLP-LISTA、ALISTA、BC-LISTAより収束速度と検証損失の点で優れる。
• 圧縮版はメモリ要件を大幅に削減しつつ競争力のある性能を達成。