[論文レビュー] Perfect simulation for Bayesian wavelet thresholding with correlated coefficients

Graeme K. Ambler, Bernard W. Silverman|ArXiv.org|Mar 15, 2009

Image and Signal Denoising Methods参考文献 17被引用数 3

ひとこと要約

本稿では、波形係数の相関を領域相互作用点過程事前分布でモデル化することで、カップリング・フォーム・ザ・パスト（CFTP）を用いた正確な事後分布サンプリングを可能にするベイジアンウェーブレットスレッショーディング手法を提案する。この手法は、中程度から高い信号対雑音比における平均二乗誤差において、SureShrink や BayesThresh といった標準的手法を上回り、特に係数がクラスタリングする信号で顕著な性能向上を示す。

ABSTRACT

We introduce a new method of Bayesian wavelet shrinkage for reconstructing a signal when we observe a noisy version. Rather than making the common assumption that the wavelet coefficients of the signal are independent, we allow for the possibility that they are locally correlated in both location (time) and scale (frequency). This leads us to a prior structure which is analytically intractable, but it is possible to draw independent samples from a close approximation to the posterior distribution by an approach based on Coupling From The Past.

研究の動機と目的

• ベイジアンウェーブレットスレッショーディングにおける係数の独立性仮定の限界を是正すること。これは、真の信号に見られる局所的クラスタリングを捉えられていないためである。
• 時間的・スケール的要因における局所的相関を反映する空間的点過程事前分布を用いて、ウェーブレット係数の依存関係をモデル化すること。
• MCMCの収束問題を回避するため、事後分布からの正確なサンプリングを保証するシミュレーションベースの推論手法を開発すること。
• 標準的なテスト信号に対して、提案手法と確立されたウェーブレットスレッショーディング手法の性能を評価すること。

提案手法

• 非ゼロ係数が周囲の係数が非ゼロである確率を高めるように、局所的クラスタリングを誘導する領域相互作用点過程をウェーブレット係数の事前分布として用いる。
• ウェーブレット係数をゼロにおけるデルタ関数とスケール依存の分散を持つ正規分布の混合としてモデル化し、空間的依存構造を拡張する。
• カップリング・フォーム・ザ・パスト（CFTP）を適用して、標準的なMCMC手法に内在する収束の不確実性を克服し、事後分布からの正確なサンプリングを実現する。
• ブロックギブスサンプラーと単調なカップリングを用いてCFTPアルゴリズムを実装し、一意の定常状態への合流を保証する。
• 観測されたノイズ付き係数が真の係数の下で条件付き正規分布に従い、分散が既知であると仮定する尤度モデルを用いる。
• 詳細な詳細バランスを保ちつつ正確なサンプリングを保証するため、CFTPフレームワーク内にメトロポリス・ハスティングスステップを導入して係数状態を更新する。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレット係数間の局所的相関をモデル化することで、ノイズの多い環境下での信号再構成精度が向上するか？
• RQ2 係数のクラスタリングを促進する空間的点過程事前分布を用いることで、独立係数仮定に比べて性能が向上するか？
• RQ3 カップリング・フォーム・ザ・パスト（CFTP）は、高次元的かつ非i.i.d.なウェーブレットスレッショーディングモデルにおいて、正確な事後分布サンプリングに効果的に適応可能か？
• RQ4 さまざまな信号対雑音比において、提案手法の平均二乗誤差は、SureShrink や交差検証、BayesThresh、FDR といった既存手法に比べてどうなるか？
• RQ5 ハイパーパrameter（γ, λ, τ, σ）の選択が、手法の性能にどの程度依存するか？

主な発見

• 提案手法である領域相互作用ベイズスレッショーニング（AIBT）は、信号対雑音比25および10の下で、すべての手法の中で最小の平均二乗誤差（AMSE）を達成し、特にBumps信号およびHeavisine信号で顕著な優位性を示した。
• 信号対雑音比25のBumps信号では、AIBTのAMSEは84（1）であったのに対し、SureShrinkは131（6）、通常のBayesThreshは1651（17）であった。
• Heavisine信号においても、SNR25の下でAIBTは32（1）のAMSEを達成し、SureShrink（66（2））およびFDR（64（3））を上回った。
• 低信号対雑音比（例：SNR3）の下でも、AIBTは競争力を持ち続け、Heavisine信号ではAMSEが153（6）であった。FDRは148（3）、BayesThreshは140（4）であった。
• 本手法は、Blocks信号のブロック状の特徴や、Heavisine信号の急激な遷移といった、係数がクラスタリングする領域での信号構造の保持に特に優れていた。
• 結果から、領域相互作用事前分布による係数相関の組み込みが、特にスパースでクラスタリングされた構造を有する真の信号において、再構成精度を顕著に向上させることを示している。