[論文レビュー] Optimal Sparse Recovery for Multi-Sensor Measurements

Il Yong Chun, Ben Adcock|arXiv (Cornell University)|Mar 22, 2016

Sparse and Compressive Sensing Techniques参考文献 14被引用数 3

ひとこと要約

本稿は、対角型センサープロファイル行列を有するマルチセンサーエンコーディングシステムにおける最適なスパース回復の保証を確立し、異なるおよび同一のサンプリング状況の両方に対して改善された理論的境界を導入する。適切なセンサープロファイルを用いることで、合計測定数がスパarsityに線形に依存し、センサ数とは無関係に増加することを示しており、MRI やマルチビューイメージングを含む多様な応用分野における効率的かつスケーラブルな信号回復を可能にする。

ABSTRACT

Many practical sensing applications involve multiple sensors simultaneously acquiring measurements of a single object. Conversely, most existing sparse recovery guarantees in compressed sensing concern only single-sensor acquisition scenarios. In this paper, we address the optimal recovery of compressible signals from multi-sensor measurements using compressed sensing techniques, thereby confirming the benefits of multi- over single-sensor environments. Throughout the paper, we consider a broad class of sensing matrices, and two fundamentally different sampling scenarios (distinct and identical respectively), both of which are relevant to applications. For the case of diagonal sensor profile matrices (which characterize environmental conditions between a source and the sensors), this paper presents two key improvements over existing results. First, a simpler optimal recovery guarantee for distinct sampling, and second, an improved recovery guarantee for identical sampling, based on the so-called sparsity in levels signal model.

研究の動機と目的

• マルチセンサーエンコーディングにおいて、特に複数のセンサが1つの信号を測定するシステムにおける理論的回復保証の不足に対処すること。
• 2つの基本的なサンプリング状況である、異なるサンプリング（独立したセンサ行列）と同一のサンプリング（同じ測定行列を異なるプロファイルで共有）における回復性能の分析と改善。
• センサ数に依存しない最小測定数で最適な回復を保証するための、センサープロファイル行列に対する新しい十分条件の導出。
• 実世界の応用における実用的センサ設計とシステム最適化を可能にする、計算可能な回復閾値の提供。
• 異なるセンサ構成と信号モデルにおいて、理論的結果を数値的フェーズ遷移実験で検証すること。

提案手法

• 各センサが標準的なCS行列に決定的センサープロファイル行列を乗算して得られる測定行列を用いる一般化された並列取得モデルを提案。
• スパarsity in levels モデルに基づく新しい回復条件を導入し、同一のサンプリング状況での改善された境界を可能にする。
• 回復性能を決定づける2つの重要な計算可能量、$\Upsilon_{\mathrm{distinct}}$ および $\Upsilon_{\mathrm{identical}}$ を定義し、それぞれ $\mathcal{O}(CN)$ および $\mathcal{O}(CN^2)$ 時間で計算可能であることを示す。
• ノイズ制約付きの $\ell^1$-最小化を用いたベースス・パーシュート法を用いて、マルチセンサ測定値から信号を再構成する。
• 特に区分的定数およびバンド型プロファイルに対して、センサープロファイル行列のコherエンスと構造を分析することで理論的回復保証を導出する。
• 変動するセンサ数を想定したランダムフーリエ測定行列とバンド型対角プロファイルを用いた、数値的フェーズ遷移曲線を通じて結果の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 一般のセンサープロファイル行列を有するマルチセンサーエンコーディングシステムにおいて、最適なスパース回復を保証できるか？
• RQ2 異なるおよび同一のサンプリング状況において、必要な測定数はスパarsityおよびセンサ数にどのように依存するか？
• RQ3 センサープロファイル行列のどのような構造的性質が、センサ数に依存しない最適な回復性能を保証するか？
• RQ4 スパarsity in levels モデルは、標準的なスパarsityモデルと比較して、同一のサンプリング状況における回復保証を改善できるか？
• RQ5 具体的なセンサープロファイル設計（例えば、区分的定数型やバンド型プロファイル）は、理論的および実験的回復性能にどのように影響を与えるか？

主な発見

• 異なるサンプリングの場合、センサープロファイル行列 $V$ がコヒーレンス $\mu(V) \lesssim C^{-1}$ を満たせば最適な回復が保証され、合計測定数がスパarsityに線形に依存し、$C$ とは無関係に増加することが保証される。
• 同一のサンプリングの場合、パーティション数 $D$ が $C/D \lesssim 1$ を満たせば最適な回復が達成され、スパarsity in levels に属する信号を最小限の測定オーバーヘッドで回復可能となる。
• バンド型センサープロファイル例（$r_1=1$, $r_2=0$）では、任意の $C$ に対して $\Upsilon_{\mathrm{distinct}}, \Upsilon_{\mathrm{identical}} \leq 2$ が成り立ち、センサ数にかかわらず最適な回復が保証される。
• 数値的フェーズ遷移結果から、センサ数 $C$ が増加するにつれて、実験的回復成功確率が上昇することが示され、異なるおよび同一のサンプリングにおける理論的予測が妥当であることが裏付けられる。
• $\Upsilon_{\mathrm{distinct}}$ および $\Upsilon_{\mathrm{identical}}$ の回復閾値は、それぞれ $\mathcal{O}(CN)$ および $\mathcal{O}(CN^2)$ 時間で計算可能であり、最適なセンサープロファイルの実用的設計を可能にする。
• 結果から、マルチセンサシステムが平均センサあたりの測定数が $s/C$ に比例するように最適な回復を達成できることを確認し、マルチセンサ型と単一センサ型のエンコーディングの理論的優位性が裏付けられる。