[論文レビュー] Practical approximate projection schemes in greedy signal space methods

Chris Garnatz, Xiaoyi Gu+4 more|arXiv (Cornell University)|Sep 4, 2014

Sparse and Compressive Sensing Techniques参考文献 16被引用数 7

ひとこと要約

本稿では、特に冗長辞書においてスパースな信号を扱うための実用的な近似射影スキームを提案する。信号空間CoSaMP（SSCoSaMP）の性能を向上させるために、OMPとCoSaMPを組み合わせたハイブリッド手法—USSCoSaMP（alt）およびUSSCoSaMP（union）—を導入し、クラスタリングされた、良好に分離された、およびハイブリッドな信号において優れた復元性能を達成する。低測定回数でもほぼ完璧な復元が可能であり、標準的な変種を上回る性能を示す。

ABSTRACT

Compressive sensing (CS) is a new signal acquisition paradigm which shows that far fewer samples are required to reconstruct sparse signals than previously thought. Although most of the literature focuses on signals sparse in a fixed orthonormal basis, recently the Signal Space CoSaMP (SSCoSaMP) greedy method was developed for the reconstruction of signals compressible in arbitrary redundant dictionaries. The algorithm itself needs access to approximate sparse projection schemes, which have been difficult to obtain and analyze. This paper investigates the use of several different projection schemes and catalogs for what types of signals each scheme can successfully be utilized. In addition, we present novel hybrid projection methods which outperform all other schemes on a wide variety of signal classes.

研究の動機と目的

• 任意の非直交的かつ過完全な辞書において信号が圧縮可能である場合の、効率的かつ正確なスパース信号復元の課題に対処すること。
• 冗長辞書における正確なスパース射影の計算的非実行可能性を克服するため、実用的な近似スキームを設計すること。
• OMPとCoSaMPの長所を組み合わせたハイブリッド射影手法を開発し、多様な信号構造にわたる回復の強靭性と性能を向上させること。
• 実用者が特定の信号タイプに最適な手法を選択できるよう、既存および新規のアルゴリズムのパフォーマンスカタログを提供すること。

提案手法

• OMPとCoSaMPを交互に使用してサポート集合Ωを計算するUSSCoSaMP（alt）を提案し、|Ω| = 2kを維持する。
• 独立したOMPおよびCoSaMP実行からのサポートの和集合としてΩを計算するUSSCoSaMP（union）を導入し、|Ω| ∈ [2k, 4k]を許容する。
• SSCoSaMPのコアサブルーチンとして、OMP、CoSaMP、またはℓ₁最小化による近似スパース射影を用い、信号空間内での最良のkスパース近似を推定する。
• 信号構造（例：クラスタリング対良好に分離された係数）に応じて、射影出力の動的選択または統合を実施するハイブリッド戦略を統合し、強靭性を向上させる。
• 一般の辞書構造下での理論的復元保証を確保するため、D-RIP基準を適用する。
• 4倍過完全なDFT辞書を用い、測定回数mを変化させながら、複数の信号モデル（クラスタリング、散乱、ハイブリッド）において性能をベンチマークする。

実験結果

リサーチクエスチョン

• RQ1 高々冗長的で非直交的な辞書の下で、どの近似射影スキームが最も強靭な信号復元を達成するか？
• RQ2 OMPとCoSaMPをハイブリッドに組み合わせた射影戦略は、係数分布が異なる信号の復元において、個別手法と比べてどのように優れるか？
• RQ3 1つのアルゴリズムが、クラスタリング、良好に分離された、およびハイブリッドなスパース信号の複数の信号タイプにおいて、高い復元性能を達成できるか？
• RQ4 ハイブリッド射影スキームを用いた場合、測定回数mが復元性能に与える影響は何か？
• RQ5 提案されたUSSCoSaMPフレームワークは、失敗事例をどのように検出するのか？また、不完全な復元の検出における信頼性はいかがなものか？

主な発見

• USSCoSaMP（alt）は、m = 40の測定回数でクラスタリング信号に対して100％の復元を達成し、SSCoSaMP（OMP）が完全復元にm = 50を要するのを上回る。
• USSCoSaMP（union）は、m = 40で良好に分離された信号に対して100％の復元を達成し、SSCoSaMP（CoSaMP）と同等の性能を示し、m ≥ 30の範囲でSSCoSaMP（OMP）を上回る。
• ハイブリッド信号では、USSCoSaMPはm = 100で65％の復元を達成し、SSCoSaMP（CoSaMP）の0％およびSSCoSaMP（OMP）の0％を著しく上回る。
• USSCoSaMPの変種は、失敗した復元試行において残差ノルムがしきい値未満に下がらないことで、失敗を検出できることから、強靭性を示している。
• NOMPは、2クラスタおよび4クラスタ信号を含む、テストされたすべての信号タイプで100％の復元を達成し、ベンチマークで最高のパフォーマンスを示した。
• ハイブリッドなUSSCoSaMPフレームワークは、クラスタリングおよび良好に分離された信号モデルの両方で優れた性能を発揮する唯一の既知の手法であり、信号空間復元における重要なギャップを埋めている。