[論文レビュー] Compressed Sensing: Theory and Applications

Gitta Kutyniok|arXiv (Cornell University)|Mar 15, 2012

Sparse and Compressive Sensing Techniques被引用数 30

ひとこと要約

本論文は、効率的なアルゴリズムを用いて、高次元かつスパースな信号を、極めて不完全な線形測定値から再構成するための変革的フレームワークとして圧縮センシングを導入する。スパarsityとランダムサンプリングを活用することで、`1 最小化および勾配法を用いた正確な信号再構成が可能となり、数学、コンピュータサイエンス、工学分野の応用において、データ取得の必要を顕著に削減する。

ABSTRACT

Compressed sensing is a novel research area, which was introduced in 2006, and since then has already become a key concept in various areas of applied mathematics, com-puter science, and electrical engineering. It surprisingly predicts that high-dimensional signals, which allow a sparse representation by a suitable basis or, more generally, a frame, can be recovered from what was previously considered highly incomplete linear measurements by using efficient algorithms. This article shall serve as an introduction to and a survey about compressed sensing. Key Words. Dimension reduction. Frames. Greedy algorithms. Ill-posed inverse problems. `1 minimization. Random matrices. Sparse approximation. Sparse recovery.

研究の動機と目的

• 応用数学および工学における基盤的概念としての圧縮センシングの包括的かつ体系的な紹介とサーベイを提供すること。
• 従来の要件よりもはるかに少ない測定値からも、スパース信号を正確に再構成できる方法を説明すること。
• 不適切に定義された逆問題における効率的再構成を可能にする理論的およびアルゴリズム的基盤を強調すること。
• フレーム、ランダム行列、およびスパース近似が次元削減を可能にする役割を確立すること。
• 医療画像、レーダ、センサネットワークなどの応用において、データ取得を削減しながら信号忠実度を維持する圧縮センシングの実用的影響を示すこと。

提案手法

• 凸最適化問題を解くことにより、`1 最小化を用いて、不完全な線形測定値からスパース信号を再構成する。
• CoSaMP や IHT などの勾配アルゴリズムを用いて、スパース信号のサポートを反復的に特定・精緻化する。
• ランダム行列理論に依拠し、測定行列が高確率で制限等長性性質（RIP）を満たすことを保証する。
• スパース近似技術を適用して、基底またはフレームにおいて信号を効率的に表現し、次元削減を実現する。
• 一般化された基底としてのフレームを統合し、直交基底にとどまらない圧縮センシングの適用範囲を拡大する。
• 適切な測定モデルのもとで、不適切に定義された逆問題をスパース再構成タスクに再定式化することで分析する。

実験結果

リサーチクエスチョン

• RQ1 スパース表現を持つ高次元信号は、少数の線形測定値から正確に再構成可能か？
• RQ2 測定行列に課されるどのような条件が、圧縮センシングにおける安定的かつロバストな信号再構成を保証するか？
• RQ3 `1 最小化と勾配アルゴリズムは、再構成精度および計算効率の観点でどのように比較されるか？
• RQ4 信号再構成における情報損失が顕著でない範囲で、どの程度の次元削減が達成可能か？
• RQ5 ランダム測定行列を用いたスパース再構成に対して、どのような理論的保証が存在するか？

主な発見

• 圧縮センシングは、信号次元ではなくスパース度に比例する測定数から、スパース信号の正確な再構成を可能にする。
• サブガウス分布から抽出されたランダム測定行列は、高確率で制限等長性性質（RIP）を満たし、安定した再構成を保証する。
• CoSaMP などの勾配アルゴリズムは、標準的な最小二乗法と同等の計算複雑性で、ほぼ最適な再構成性能を達成する。
• `1 最小化アプローチはノイズに強く、弱い条件下でもスパース信号の再構成が理論的に保証される。
• 本フレームワークは、医療画像、レーダ、センサネットワークなどの応用において、データ取得要件を顕著に削減する。
• フレームにおけるスパース表現は、伝統的な基底にとどまらない圧縮センシングの適用範囲を拡大し、より広範な信号クラスのカバーを可能にする。