[論文レビュー] Compressive Sensing via Low-Rank Gaussian Mixture Models

Xin Yuan, Hong Jiang+2 more|arXiv (Cornell University)|Aug 27, 2015

Sparse and Compressive Sensing Techniques参考文献 42被引用数 13

ひとこと要約

本稿では、局所的画像パッチに低ランクガウス・ミクスチャーモデル（GMM）を用いた圧縮センシング再構成アルゴリズムを提案する。GMMは測定投影の固有値しきい値処理により現地で学習される。この手法はADMMを用いて測定投影とGMMを交互に更新することで、パッチ単位の低ランク構造を活用し、特に測定レートが低い場合に最先端の結果を達成する。退化ケースとして、低ランクな区分線形推定器（LR-PLE）に還元可能である。

ABSTRACT

We develop a new compressive sensing (CS) inversion algorithm by utilizing the Gaussian mixture model (GMM). While the compressive sensing is performed globally on the entire image as implemented in our lensless camera, a low-rank GMM is imposed on the local image patches. This low-rank GMM is derived via eigenvalue thresholding of the GMM trained on the projection of the measurement data, thus learned {\em in situ}. The GMM and the projection of the measurement data are updated iteratively during the reconstruction. Our GMM algorithm degrades to the piecewise linear estimator (PLE) if each patch is represented by a single Gaussian model. Inspired by this, a low-rank PLE algorithm is also developed for CS inversion, constituting an additional contribution of this paper. Extensive results on both simulation data and real data captured by the lensless camera demonstrate the efficacy of the proposed algorithm. Furthermore, we compare the CS reconstruction results using our algorithm with the JPEG compression. Simulation results demonstrate that when limited bandwidth is available (a small number of measurements), our algorithm can achieve comparable results as JPEG.

研究の動機と目的

• レンズレス画像撮影システムにおいて、少ない圧縮測定からの高品質な画像再構成に挑戦する。
• ウェーブレットなどのグローバルスパarsityモデルやトータル・バリエーションの限界を克服し、局所的パッチスパarsityを活用する。
• 外部学習を必要とせず、圧縮測定から直接低ランクGMMを学習する、ロバストで反復的な再構成フレームワークを開発する。
• 低ランクモデリングを通じて、GMMベースと区分線形推定（LR-PLE）の両者を統一的に扱えるフレームワークを提供する。
• 帯域制限下での実用的応用を示すために、実世界のレンズレスカメラデータを用いて性能を検証する。

提案手法

• ADMMに基づく最適化問題として圧縮センシング再構成を定式化し、測定投影とパッチベースのノイズ除去を交互に処理する。
• 重複する各画像パッチをガウス・ミクスチャーモデル（GMM）でモデル化し、GMMの成分重みは測定投影から反復的に学習する。
• GMM共分散行列の固有値しきい値処理により、各GMM成分に低ランク構造を強制し、低ランク近似を実現する。
• 期待値最大化（EM）を用いてGMM適合を実行し、GMMパラメータと投影画像推定値を交互に更新する。
• GMMベースのノイズ除去演算子をCS再構成パイプラインに統合し、従来のスパarsity促進変換に代わる。
• 各パッチを1つのガウス成分に制限することで、低ランクPLE（LR-PLE）の変種を導出し、比較とアブレーションが可能になる。

実験結果

リサーチクエスチョン

• RQ1 外部学習を伴わずに、局所的画像パッチの低ランク構造を圧縮センシング再構成に効果的に活用できるか？
• RQ2 圧縮測定から現地で学習するGMMは、従来のスパarsityに基づく手法と比較して、再構成品質にどの程度優れるか？
• RQ3 低測定レート領域において、標準の区分線形推定器（PLE）と比較して、低ランクGMMはどの程度の性能向上をもたらすか？
• RQ4 本手法は、最先端のCS再構成手法と比較して、実際のレンズレスカメラデータに対してどの程度の性能を示すか？
• RQ5 どの程度の測定レート（CSr）で、本手法がJPEGに匹敵する品質を達成できるか？

主な発見

• 提案された低ランクGMMアルゴリズムは、特に測定レートが低い場合（CSr = 0.05–0.1）に最先端の再構成品質を達成し、シミュレーションおよび実際のレンズレスカメラデータにおいてD-AMP、NLR-CS、TVAL3、GAPを上回る性能を示した。
• CSr = 0.1の場合、他の手法では欠落している「Lena」の左目の細かな顔貌特徴まで高精度に再構成できた。
• 帯域制限下でも、わずかな測定数でJPEG圧縮の視覚的忠実度に匹敵する再構成品質を達成した。
• GMMモデルの退化ケースとして導出されたLR-PLEバージョンは、競争力のある性能を示し、低ランクパッチモデリングアプローチの堅牢性を裏付けた。
• 並べ替えられたハダマードセンシング行列を用いたレンズレスカメラにおける実世界実験により、本手法の実用的妥当性が確認された。CSr ≈ 0.1でキーフィーチャーの同定が可能であり、詳細な識別（例：書籍の題名）にはCSr ≈ 0.2が必要であった。
• 計算効率が高く、i7 CPU（24GB RAM）でCSr = 0.1の再構成に約1分で処理が完了し、メモリ使用量と同等のLR-PLE-SLOPEよりも高速に動作した。