[論文レビュー] Robust Uncertainty Principles: Exact Signal Reconstruction from Highly Incomplete Frequency Information

Emmanuel J. Candès, Justin Romberg+1 more|ArXiv.org|Sep 10, 2004

Sparse and Compressive Sensing Techniques参考文献 18被引用数 67

ひとこと要約

この論文は、凸最適化、特に ℓ¹-最小化を用いて、近似的に最小数のランダムなフーリエ係数からスパース信号を正確に再構成できることを確立している。主な結果は、信号のサポートサイズがサンプル数を log N で割った値に定数倍する範囲であれば、高い確率で正確な再構成が可能であることを示しており、不完全な周波数情報に対してもロバストである。

ABSTRACT

This paper considers the model problem of reconstructing an object from incomplete frequency samples. Consider a discrete-time signal $f \in \C^N$ and a randomly chosen set of frequencies $Ω$ of mean size $τN$. Is it possible to reconstruct $f$ from the partial knowledge of its Fourier coefficients on the set $Ω$? A typical result of this paper is as follows: for each $M > 0$, suppose that $f$ obeys $$ # \{t, f(t) eq 0 \} \le α(M) \cdot (\log N)^{-1} \cdot # Ω, $$ then with probability at least $1-O(N^{-M})$, $f$ can be reconstructed exactly as the solution to the $\ell_1$ minimization problem $$ \min_g \sum_{t = 0}^{N-1} |g(t)|, \quad ext{s.t.} \hat g(ω) = \hat f(ω) ext{for all} ω\in Ω. $$ In short, exact recovery may be obtained by solving a convex optimization problem. We give numerical values for $α$ which depends on the desired probability of success; except for the logarithmic factor, the condition on the size of the support is sharp. The methodology extends to a variety of other setups and higher dimensions. For example, we show how one can reconstruct a piecewise constant (one or two-dimensional) object from incomplete frequency samples--provided that the number of jumps (discontinuities) obeys the condition above--by minimizing other convex functionals such as the total-variation of $f$.

研究の動機と目的

• 非常に不完全な周波数情報から信号を再構成するという根本的な問題に取り組む。
• 限られたフーリエ係数から正確な再構成が可能となる条件を確立する。
• 凸最適化、特に ℓ¹-最小化がスパース信号の正確な再構成を可能にすることを示す。
• 高次元信号や全変動のようなスパース性を促進する汎関数へのフレームワークの拡張。
• サンプリングレートがナイキストレートよりも著しく低い場合でも、高い確率での回復に関する理論的保証を提供する。

提案手法

• 信号の再構成を ℓ¹-最小化により行う：観測されたフーリエ係数が Ω で一致するように ∑|g(t)| を最小化する。
• 平均サイズ τN の周波数をランダムにサンプリングすることで、不整合性を確保し、エイリアシングを回避する。
• 双対性と確率的行列理論を用いて、成功する再構成の確率を評価する。
• 信号のサポートサイズが α(M)·(log N)⁻¹·|Ω| に制限されている場合、再構成は高確率 1 - O(N⁻ᴹ) で成功する。
• 1次元および2次元の区分的定数画像における全変動最小化へのフレームワークの拡張。
• 同値類解析とモーメント計算を用いて、再構成作用素の期待ノルムを評価し、安定性とロバスト性を証明する。

実験結果

リサーチクエスチョン

• RQ1 スパース信号は、ランダムに選択された少数のフーリエ係数から正確に再構成可能か？
• RQ2 高い確率で正確な再構成を保証するための最小のランダム周波数サンプル数は何か？
• RQ3 再構成忠実度の観点で、ℓ¹-最小化はゼロフィルティングやフィルタドバックプロジェクションといった古典的手法に比べてどのように優れているか？
• RQ4 このフレームワークは、区分的定数画像のようなスパースではないが構造的な信号へと拡張可能か？
• RQ5 スパース性の上限における対数因子の役割は何か？また、それはタイトか？

主な発見

• 非ゼロ成分の数が α(M)·(log N)⁻¹·|Ω| に制限されている場合、再構成は高確率 1 - O(N⁻ᴹ) で可能である。ここで |Ω| は観測された周波数の数である。
• 必要なサンプル数はほぼ最適であり、スパース性の条件は対数要因を除いて鋭い。
• ℓ¹-最小化アプローチは、アングルのアンダーサンプリングによる深刻なアーチファクトを引き起こすゼロフィルティングなどの古典的手法を上回る。
• この方法は高次元や全変動のような他のスパース性誘導汎関数へと一般化可能である。
• 確率的行列理論とモーメントの上限を用いて理論的保証が確立され、再構成作用素のノルムが高確率で小さいことが示された。
• 数値実験により、全変動最小化がナイキストレートよりも著しく低いサンプリングレートでも画像を正確に回復できることを確認した。