[論文レビュー] Compressive sensing: a paradigm shift in signal processing

Olga Holtz|ArXiv.org|Dec 16, 2008

Sparse and Compressive Sensing Techniques参考文献 110被引用数 6

ひとこと要約

本論文は、信号処理におけるパラダイムシフトとして圧縮センシングを導入し、スパース信号がナイキスト＝シャノン標本化定理が示すよりもはるかに少ない測定値から正確に再構成可能であることを示している。$β$-最小化と非一様測定行列を活用することで、大きな誤差が存在する状況下でも、高い確率で信号の正確な回復が可能となり、画像処理および信号処理分野におけるデータ取得と圧縮に革命をもたらしている。

ABSTRACT

We survey a new paradigm in signal processing known as "compressive sensing". Contrary to old practices of data acquisition and reconstruction based on the Shannon-Nyquist sampling principle, the new theory shows that it is possible to reconstruct images or signals of scientific interest accurately and even exactly from a number of samples which is far smaller than the desired resolution of the image/signal, e.g., the number of pixels in the image. This new technique draws from results in several fields of mathematics, including algebra, optimization, probability theory, and harmonic analysis. We will discuss some of the key mathematical ideas behind compressive sensing, as well as its implications to other fields: numerical analysis, information theory, theoretical computer science, and engineering.

研究の動機と目的

• 従来のナイキスト標本化の限界を打ち破る信号取得および再構成の新しいフレームワークとして圧縮センシングを確立すること。
• 凸緩和法とグリーディアルゴリズムを用いて、線形方程式の不定な系からスパース信号を再構成する課題に取り組むこと。
• 既知の基底において非ゼロ係数が少ない信号が、$β$-最小化により正確に回復可能であることを示すこと、測定値が汚染されていても同様に成立すること。
• 関数解析、最適化理論、確率論から派生する圧縮センシングの数学的基盤を調査すること。
• 工学的・科学的応用分野における逆問題、データ圧縮、およびロバストな誤り訂正への圧縮センシングの適用範囲を拡張すること。

提案手法

• 非凸なスパース性指標を凸な代替指標に置き換えることで、不完全な測定値からスパース信号を回復するための$β$-最小化を用いる。
• 制限的等長性性質（RIP）を満たす、$n \ll N$のランダム測定行列$C$を用い、安定的かつロバストな信号回復を保証する。
• 測定基底とスパース基底の間の非一様性とフレーム理論を適用することで、高い確率で正確な再構成を保証する。
• 事前に信号の内容を把握しない状況でも効率的なデータ取得が可能な、非適応的で固定された測定プロトコル（ランダムプロジェクション）を導入する。
• 多項式時間で$β$-最小化問題を効率的に解くための凸最適化ソルバーを活用する。
• 測定ベクトル内の汚染された要素を同定・修正する線形計画問題を解くことで、大きな誤差に対してもロバストであることを示す。

実験結果

リサーチクエスチョン

• RQ1 信号が特定の基底においてスパースである限り、ナイキストレートよりも著しく少ない測定回数から正確に再構成可能か？
• RQ2 測定行列が制限的等長性性質を満たせば、$β$-最小化がスパース信号を正確に回復するための数学的条件は何か？
• RQ3 画像処理、データ圧縮、ノイズ環境下での誤り訂正といった実世界の問題に、圧縮センシングをどのように応用できるか？
• RQ4 測定基底とスパース基底の間の非一様性が、安定的かつロバストな信号回復を可能にする役割は何か？
• RQ5 圧縮センシングは、一定割合の測定値に任意の汚染が生じる場合にも、一般化して適用可能か？

主な発見

• スパース性を示す基底が既知である信号は、$O(s \log(N/s))$の非適応的測定値から正確に再構成可能であり、ここで$s$はスパース性、$N$は信号次元を表す。
• 測定行列が制限的等長性性質（RIP）を満たしていれば、$β$-最小化アプローチにより、高い確率で元の信号が正確に回復可能である。
• 測定値の一定割合が任意に汚染されていても、適切な線形計画問題を解くことで、依然として信号を正確に回復可能である。
• ライス大学のCSカメラプロトタイプは、500万画素の画像をたった20万回のシングルピクセル測定から再構成し、データ収集量を25倍に削減した。
• MRIなどの画像処理システムにおいて、信号が変換領域でスパースであれば、フーリエ係数の部分集合のみをサンプリングすることで、効率的なデータ取得が可能となる。
• フレーム理論と非一様性の理論は、圧縮センシングの理論的保証を補完・強化する数学的基盤を提供する。