[論文レビュー] Fusion of Greedy Pursuits for Compressed Sensing Signal Reconstruction

Sooraj K. Ambat, Saikat Chatterjee+1 more|arXiv (Cornell University)|Apr 20, 2012

Sparse and Compressive Sensing TechniquesEngineering参考文献 12被引用数 19

ひとこと要約

本稿では、正規直交一致 Pursuit (OMP) と部分空間 Pursuit (SP) を組み合わせることで、圧縮センシングにおけるスパース信号再構成の性能を向上させる、新規な統合フレームワークである Greedy Pursuits の統合 (FuGP) を提案する。両アルゴリズムからのサポート集合を統合し、反復的フィードバックによる推定値の最適化を行うことで、FuGP 及びその改良版である IFuGP は顕著な性能向上を達成した。クリアな環境下では OMP より最大 252% の SRER 向上を達成し、ノイズがある状況では 196% の向上を示した。特に低測定数および非理想信号状況下で顕著な効果を示した。

ABSTRACT

Greedy Pursuits are very popular in Compressed Sensing for sparse signal recovery. Though many of the Greedy Pursuits possess elegant theoretical guarantees for performance, it is well known that their performance depends on the statistical distribution of the non-zero elements in the sparse signal. In practice, the distribution of the sparse signal may not be known a priori. It is also observed that performance of Greedy Pursuits degrades as the number of available measurements decreases from a threshold value which is method dependent. To improve the performance in these situations, we introduce a novel fusion framework for Greedy Pursuits and also propose two algorithms for sparse recovery. Through Monte Carlo simulations we show that the proposed schemes improve sparse signal recovery in clean as well as noisy measurement cases.

研究の動機と目的

• 信号の分布が未知で測定数が少ない状況下で、グリーディ Pursuit アルゴリズムの性能変動を是正すること。
• 個々のグリーディ Pursuit（例：OMP、SP）が、特定の方法に依存する閾値未満の測定数で著しく性能が低下するという限界を克服すること。
• 複数のグリーディアルゴリズムの相補的な強みを活用する統合フレームワークを構築し、スパース信号再構成におけるロバスト性と精度を向上させること。
• 信号統計の事前知識が不要な、信号に依存しない適応的再構成手法を提供し、ガウス分布・ラデマッハーサイニスラル信号など多様な信号タイプとノイズ条件において良好な性能を発揮すること。

提案手法

• 2つのグリーディ Pursuit アルゴリズム（例：OMP と SP）のサポート集合を統合し、候補原子の集合を形成する統合フレームワークを提案する。
• 2段階の再構成プロセスを導入する：まず OMP と SP を独立して実行し、部分的サポートを推定する。次に、これらのサポートを統合して結合候補集合を形成する。
• 改良版 IFuGP では、残差エネルギーの再評価と解の反復的更新により、サポート推定値を精緻化する反復的フィードバックを導入する。
• 複数のモンテカルロ試行における性能評価に、信号対再構成誤差比（SRER）を主指標として用いる。
• 正規化された列を持つランダム測定行列を用い、i.i.d. ガウス分布またはラデマッハーサイニスラル非ゼロエントリを持つスパース信号を生成する。
• 測定数割合（α）を変化させながら、クリアおよびノイズありの測定環境（SMNR = 15 dB）でシミュレーションを実施し、ロバスト性およびスケーラビリティを評価する。

実験結果

リサーチクエスチョン

• RQ1 信号の分布が未知である状況で、2つのグリーディ Pursuit アルゴリズムを統合することで、スパース信号再構成性能が向上するか？
• RQ2 測定数が少ない状況（α < 0.3）において、OMP と SP のサポート集合の統合は、個々のアルゴリズムに比べてどのように優れているか？
• RQ3 IFuGP における反復的精緻化は、基本的な FuGP フレームワークに比べて、再構成精度をどの程度向上させるか？
• RQ4 特に SMNR = 15 dB のノイズあり測定環境下で、提案された統合手法はどの程度ロバストか？
• RQ5 ガウス分布とラデマッハーサイニスラル信号という異なるスパース信号モデルおよび測定条件において、統合フレームワークは一貫して個々のグリーディ Pursuit を上回る性能を示すか？

主な発見

• ガウス分布のスパース信号を対象としたクリアな測定環境下で、α = 0.18 の条件下で FuGP は OMP より 31%（6.5 dB）の SRER 向上、SP より 58%（10 dB）の向上を達成した。
• 同じ条件下で、IFuGP(OMP, SP) は OMP より 59%（12 dB）、SP より 91%（16 dB）の SRER 向上を達成し、さらに FuGP よりも 21%（5.72 dB）の追加向上を示した。
• ノイズあり環境（SMNR = 15 dB）下でも、α = 0.18 の条件下で FuGP は OMP より 11%（1.1 dB）の SRER 向上、SP より 36%（3.1 dB）の向上を示した。IFuGP はさらに FuGP より 3%（0.35 dB）の性能向上を達成した。
• クリアな環境下のラデマッハーサイニスラル信号において、α = 0.25 時に FuGP は OMP より 203%（18 dB）の SRER 向上、SP より 12%（2.8 dB）の向上を示した。IFuGP はそれぞれ 252%（22 dB）および 30%（7 dB）の向上を達成した。
• ノイズありのラデマッハーサイニスラル信号状況下でも、α = 0.25 時に IFuGP は OMP より 196%（13.2 dB）の SRER 向上、SP より 16%（2.7 dB）の向上を示した。これはノイズに強い性能を示している。
• 提案された統合フレームワークは、すべての信号タイプ、測定環境、ノイズレベルにおいて、個々のグリーディ Pursuit アルゴリズムを一貫して上回った。IFuGP は特に低 α 値およびノイズ環境下で最大の向上を示した。