[論文レビュー] Compressed Sensing with Prior Information: Optimal Strategies, Geometry, and Bounds

João F. C. Mota, Nikos Deligiannis+1 more|arXiv (Cornell University)|Aug 22, 2014

Sparse and Compressive Sensing Techniques参考文献 53被引用数 35

ひとこと要約

本稿では、事前情報 $w$ を用いてスパース信号を再構成するための2つの圧縮センシング（CS）手法——$∥x∥_1 + \beta\|x-w\|_1$ および $\|x\|_1 + \frac{\beta}{2}\|x-w\|_2^2$——を提案し、その分析を行う。$w$ が高品質な場合、$\ell_1$-$\ell_1$ 最小化は測定回数を著しく削減するが、$\ell_1$-$\ell_2$ 最小化は古典的CSと顕著な差がない。

ABSTRACT

We address the problem of compressed sensing (CS) with prior information: reconstruct a target CS signal with the aid of a similar signal that is known beforehand, our prior information. We integrate the additional knowledge of the similar signal into CS via L1-L1 and L1-L2 minimization. We then establish bounds on the number of measurements required by these problems to successfully reconstruct the original signal. Our bounds and geometrical interpretations reveal that if the prior information has good enough quality, L1-L1 minimization improves the performance of CS dramatically. In contrast, L1-L2 minimization has a performance very similar to classical CS and brings no significant benefits. All our findings are illustrated with experimental results.

研究の動機と目的

• 事前情報 $w$ を再構成プロセスに統合することで、圧縮センシングを扱う。
• 事前情報を利用した信号再構成に必要な測定回数 $m$ を特定する。
• $\ell_1$-$\ell_1$ および $\ell_1$-$\ell_2$ 最小化の性能を、事前情報のもとで比較する。
• 事前品質およびトレードオフパラメータ $\beta$ に基づいた測定要件の理論的境界を導出する。
• 再構成性能の幾何学的および確率的解釈を提供する。

提案手法

• $x^*$ と事前情報 $w$ の類似度を測る $\beta g(x-w)$ を適合性項として含む、修正されたベース・パース問題を定式化する。
• $g_1 = \|\cdot\|_1$ および $g_2 = \frac{1}{2}\|\cdot\|_2^2$ という2つの特定の凸関数を検討し、$\ell_1$-$\ell_1$ および $\ell_1$-$\ell_2$ 最小化を導出する。
• 独立同分布の成分を持つガウスランダム行列を用いて、高確率での再構成に必要な測定回数 $m$ の境界を導出する。
• ガウス幅およびヌル空間性質の分析を用いて、事前情報のもとでの解空間の幾何的性質を特徴付ける。
• トレードオフパラメータ $\beta$ の最適性と、測定回数削減への影響を分析する。
• ノイズのないおよびノイズのある状況に適用し、制約 $\|Ax - y\|_2 \leq \sigma$ を設ける。

実験結果

リサーチクエスチョン

• RQ1 事前情報 $w$ を圧縮センシングに統合することで、信号再構成に必要な測定回数はどのように変化するか？
• RQ2 $\ell_1$-$\ell_1$ 最小化は、古典的ベース・パースや $\ell_1$-$\ell_2$ 最小化と比較して、理論的にどの程度の性能向上を達成するか？
• RQ3 どのような条件下で、事前情報が測定回数の要件を顕著に削減するか？
• RQ4 事前情報 $w$ の品質（$\|w - x^*\|_2 / \|x^*\|_2$ で測定）は、必要な測定回数にどのように影響するか？
• RQ5 $\ell_1$-$\ell_1$ および $\ell_1$-$\ell_2$ 最小化において、測定要件を最小化する最適なトレードオフパラメータ $\beta$ は何か？

主な発見

• $\ell_1$-$\ell_1$ 最小化手法は、古典的CSと比較して、特に事前情報 $w$ が高品質な場合、成功した再構成に必要な測定回数を顕著に削減する。
• 相対誤差が50％（$\|w - x^*\|_2 / \|x^*\|_2 \simeq 0.5$）であっても、$\ell_1$-$\ell_1$ 最小化は古典的CSや $\ell_1$-$\ell_2$ 最小化よりも著しく少ない測定回数で十分である。
• $\ell_1$-$\ell_2$ 最小化手法は、古典的ベース・パースと顕著な差がなく、標準CSと同程度の性能を示す。
• 測定要件の理論的境界は、事前の品質およびトレードオフパラメータ $\beta$ に依存しており、最適な $\beta$ 選択が可能になる。
• 幾何学的および確率的分析により、$\ell_1$-$\ell_1$ 最小化が、スパース性を促進する構造のおかげで、事前情報をより効果的に活用していることが示された。
• 本稿では、事前信号 $w$ が真の信号 $x^*$ に十分に近い場合、$\ell_1$-$\ell_1$ 最小化がスパース性の整合性の観点から優れた再構成性能を達成することを確立した。