[論文レビュー] Note on RIP-based Co-sparse Analysis

Lianlin Li|arXiv (Cornell University)|Feb 9, 2012

Sparse and Compressive Sensing Techniques参考文献 2被引用数 6

ひとこと要約

本稿は、任意の冗長辞書を用いた共スパース解析モデルに対する一般化された制限等長性性質（RIP）を導入し、l1-最小化がそのような辞書においてスパースな信号を正確に回復できる理論的条件を確立する。l1-最適化を用いた正確な信号回復が、非常に非直交性の高い冗長な解析辞書に対しても達成可能であることを証明し、圧縮センシングの原則を共スパース解析フレームワークに拡張する。

ABSTRACT

Over the past years, there are increasing interests in recovering the signals from undersampling data where such signals are sparse under some orthogonal dictionary or tight framework, which is referred to be sparse synthetic model. More recently, its counterpart, i.e., the sparse analysis model, has also attracted researcher's attentions where many practical signals which are sparse in the truly redundant dictionary are concerned. This short paper presents important complement to the results in existing literatures for treating sparse analysis model. Firstly, we give the natural generalization of well-known restricted isometry property (RIP) to deal with sparse analysis model, where the truly arbitrary incoherent dictionary is considered. Secondly, we studied the theoretical guarantee for the accurate recovery of signal which is sparse in general redundant dictionaries through solving l1-norm sparsity-promoted optimization problem. This work shows not only that compressed sensing is viable in the context of sparse analysis, but also that accurate recovery is possible via solving l1-minimization problem.

研究の動機と目的

• 任意の真に冗長な辞書を用いた共スパース解析モデルへの制限等長性性質（RIP）の拡張を目的とする。
• l1-最小化を用いた共スパース解析モデルにおける正確な信号回復の理論的保証を提供することを目的とする。
• 圧縮センシングの原則が一般の冗長辞書を用いた解析スパarsityの文脈で実用可能であることを確立することを目的とする。
• 既存のRIPに基づく回復結果を、特に非直交性の高い辞書を含む共スパース解析設定に一般化することを目的とする。

提案手法

• 共スパース解析モデルに特化した一般化された制限等長性性質（RIP）の形式を提案する。
• 任意の冗長的かつ非直交性の高い解析辞書に適用可能な新しいRIP条件を導入する。
• 解析ドメインでスパースな信号の回復を目的としたl1-最小化問題を、凸緩和として分析する。
• 一般化されたRIP条件下での正確な回復に必要な測定数の理論的境界を導出する。
• 凸解析および確率的行列理論の道具を用いて回復保証を確立する。
• 解析演算子が必ずしも直交的またはタイトでない場合を考慮し、実用的で冗長な表現を許容する。

実験結果

リサーチクエスチョン

• RQ1 標準的なRIPは、任意の冗長な辞書を用いた共スパース解析モデルに一般化可能か？
• RQ2 l1-最小化が一般の冗長な解析辞書においてスパースな信号を正確に回復できる条件は何か？
• RQ3 圧縮センシング理論は、直交的またはタイトなフレームワークを超えて共スパース解析フレームワークへ拡張可能か？
• RQ4 解析辞書の非直交性がl1-最小化フレームワークにおける回復性能にどのように影響するか？
• RQ5 共スパース解析モデルにおいて、安定的かつロバストな回復に必要な理論的測定レートは何か？

主な発見

• 任意の冗長的かつ非直交性の高い解析辞書に適用可能な一般化された制限等長性性質（RIP）が導入された。
• 本稿では、一般化されたRIP条件が満たされれば、l1-最小化によって正確な信号回復が可能であることを証明した。
• 解析辞書が非常に冗長的かつ非直交的であっても、理論的回復保証が成立することが示された。
• 回復に必要な測定数は、スパarsityの程度および解析辞書の非直交性に応じて良好にスケーリングされる。
• 本結果により、圧縮センシングの適用範囲が、一般の冗長表現における共スパース性を示す信号のクラスに拡張された。
• 解析により、l1-最小化が共スパース解析モデルにおいても有効かつ妥当な回復手法であり、しっかりとした理論的基盤を提供することが示された。