[論文レビュー] Locally Sparse Reconstruction Using the $\ell^{1,\infty}$-Norm

Pia Heins, Michael Moeller+1 more|arXiv (Cornell University)|May 22, 2014

Sparse and Compressive Sensing Techniques参考文献 9被引用数 4

ひとこと要約

本稿では、動的PET画像再構成を含む行列に基づく逆問題において、局所的スパarsityを強制するために $β^{1,\infty}$-ノルムを用いた新しい変分モデルを提案する。増分ラグランジュを用いたADMMによる定式化により、効率的な数値解法が可能となり、真の解のサポートをほぼ正確に回復する。さらに、全変動正則化を組み合わせることで性能が向上する。

ABSTRACT

This paper discusses the incorporation of local sparsity information, e.g. in each pixel of an image, via minimization of the $\ell^{1,\infty}$-norm. We discuss the basic properties of this norm when used as a regularization functional and associated optimization problems, for which we derive equivalent reformulations either more amenable to theory or to numerical computation. Further focus of the analysis is put on the locally 1-sparse case, which is well motivated by some biomedical imaging applications. Our computational approaches are based on alternating direction methods of multipliers (ADMM) and appropriate splittings with augmented Lagrangians. Those are tested for a model scenario related to dynamic positron emission tomography (PET), which is a functional imaging technique in nuclear medicine. The results of this paper provide insight into the potential impact of regularization with the $\ell^{1,\infty}$-norm for local sparsity in appropriate settings. However, it also indicates several shortcomings, possibly related to the non-tightness of the functional as a relaxation of the $\ell^{0,\infty}$-norm.

研究の動機と目的

• 行列未知数に $β^{1,\infty}$-ノルムを正則化関数として用いて、局所的スパarsityを強制する変分モデルの構築を目的とする。
• $β^{1,\infty}$-ノルムの理論的性質（存在性、一意性、部分微分構造）を分析すること。
• 最適化問題の同等な定式化を導出し、解析および数値計算を簡素化すること。
• ノイズのないデータおよびノイズありデータの両方を用いた動的PET再構成問題に対して、本手法を評価し、回復精度とロバストネスを評価すること。
• $β^{1,\infty}$-正則化と全変動正則化を組み合わせることによる再構成品質の向上の可能性を検討すること。

提案手法

• 本稿では、データ適合制約 $AUB^T = W$ を満たす条件下で、$β^{1,\infty}$-ノルムと $β^{1,1}$-ノルムの正則化項の組み合わせを最小化する形で逆問題を定式化する。
• $β^{1,\infty}$-ノルムの同等な定式化を導出し、解析を簡素化するとともに、ADMMによる数値解法を可能にする。
• 結合された制約を処理するため、増分ラグランジュを用いた二重分割戦略を用いたADMMアルゴリズムを実装する。
• 本手法は、合成データを用いた動的PETモデルシナリオに対してテストされ、ノイズのない状態およびノイズあり状態の両方を含む。
• 二段階の精錬が適用される：まず $β^{1,\infty}$-正則化によりサポートを回復し、次に回復されたサポートに制限された問題を正則化なしで解く。
• 係数行列に全変動正則化を組み込むことで、本手法の性能がさらに向上する。

実験結果

リサーチクエスチョン

• RQ1 $β^{1,\infty}$-ノルムは、特に動的PET画像再構成において、行列に基づく逆問題における局所的スパarsityを効果的に促進できるか？
• RQ2 正則化の文脈において、$β^{1,\infty}$-ノルムの理論的性質（存在性、一意性、部分微分構造）は何か？
• RQ3 提案された $β^{1,\infty}$-ノルム問題の定式化は、ADMMによるより効率的かつ安定した数値解法を可能にするか？
• RQ4 本手法は、特にノイズのない状況において、真の解のサポートを正確またはほぼ正確に回復できるか？
• RQ5 係数行列に全変動正則化を組み込むことで、再構成品質とノイズへのロバストネスはどのように向上するか？

主な発見

• ノイズのない状況において $τ = 10^{-7}$ のとき、誤分類された画素の割合はたった 0.1859% にとどまり、真の解のサポートをほぼ正確に回復している。
• ガウスノイズ（$\sigma = 0.01$）が存在する場合、$\tau \in [10^{-4}, 10^{-3}]$ の範囲で誤った画素の割合は 0.96% から 1.01% の間で安定し、ロバストネスが確認された。
• 本手法は $\tau \in [10^{-4}, 10^{-3}]$ の範囲で最も優れた性能を示し、誤差が低く抑えられるとともに、反復回数（512～672回）も適度な水準に保たれている。
• 二段階アプローチ（まず $β^{1,\infty}$-正則化でサポートを回復し、その後制限付き問題を正則化なしで解く）により、真の非ゼロ領域の境界付近において特に顕著な改善が得られた。
• 係数行列に全変動正則化を組み込むことで、再構成品質とロバストネスがさらに向上し、特にノイズあり条件下で顕著であった。
• サポートの精錬後でさえ、真の非ゼロ領域の境界部における正しい基底ベクトルの回復には限界が見られた。