[論文レビュー] Sequential adaptive compressed sampling via Huffman codes

Akram Aldroubi, Haichao Wang+1 more|ArXiv.org|Oct 27, 2008

Sparse and Compressive Sensing Techniques参考文献 23被引用数 10

ひとこと要約

本稿では、ハフマン符号化の原理を用いて、スパース信号を逐次的にバイナリーベクトルでサンプリングする決定的で適応的な圧縮センシング手法を提案する。信号の確率分布を活用することで、サンプリングおよび再構成の期待総コストが $ s\log n + 2s $ 以下となることを保証し、ノイズなしの場合に正確な回復を達成するとともに、ノイズがある場合にも安定した性能を示す。

ABSTRACT

There are two main approaches in compressed sensing: the geometric approach and the combinatorial approach. In this paper we introduce an information theoretic approach and use results from the theory of Huffman codes to construct a sequence of binary sampling vectors to determine a sparse signal. Unlike other approaches, our approach is adaptive in the sense that each sampling vector depends on the previous sample. The number of measurements we need for a k-sparse vector in n-dimensional space is no more than O(k log n) and the reconstruction is O(k).

研究の動機と目的

• スパース信号のサンプリングと再構成の総コストを最小化する決定的で適応的なサンプリング方式の開発。
• 信号成分の確率分布を活用して、必要な測定回数の期待値を低減すること。
• ノイズなしの条件下で正確な回復を保証するとともに、ノイズのある測定値に対しても安定した再構成を実現すること。
• RIP行列や $\ell_1$-最小化に依存する標準的な圧縮センシング手法に対する計算効率の高い代替手法を提供すること。
• 想定された信号分布が不正確であっても、手法のロバスト性を示すこと。

提案手法

• 測定結果の履歴に基づいて、ハフマン符号化の原理に従い、逐次的にバイナリーサンプリングベクトルを構築する。
• スパース信号の非ゼロ成分の位置を符号化するためにハフマンツリー構造を用い、高い確率の位置に短いコードを割り当てる。
• 逐次的サンプリング戦略を採用：各サンプリングベクトルは、過去の測定結果に基づいて選択され、非ゼロ成分の可能性の高い位置に焦点を当てる。
• 測定結果を用いてハフマンツリーを走査することで再構成を実行し、最小限のクエリで非ゼロ成分を特定する。
• 信号を確率分布が既知または仮定された確率的ベクトルとみなすことにより、期待されるサンプリングコストを最小化する。
• RIP条件や確率的行列集合を必要としない決定的構成により、サンプリングベクトルを生成する。

実験結果

リサーチクエスチョン

• RQ1 スパース信号のサンプリングと再構成の期待総コストを最小化する適応的で決定的な圧縮センシング手法を設計可能か？
• RQ2 ハフマン符号化の原理を用いることで、非適応的手法に比べて必要な測定回数をどれほど削減できるか？
• RQ3 $\mathbb{R}^n$ 内の $s$-スパース信号を回復する際の期待総コスト（測定 + 再構成）の理論的上限は何か？
• RQ4 ノイズのある測定値に対してこの手法はどのように動作するか？ノイズへの耐性は保たれるか？
• RQ5 想定された信号分布が不正確または最適でない場合でも、この手法は有効に機能するか？

主な発見

• スパース信号 $\mathbb{R}^n$ の再構成に要する期待総コスト（サンプリングおよび再構成）は、真の信号分布に依存せずに $ s\log n + 2s $ で上限が保証される。
• ノイズなしの場合、導出された適応的サンプリングおよび再構成手順により、スパース信号の正確な回復が達成される。
• $n = 32768$ の場合、$s=13$ の平均サンプリングベクトル数は 111.88 であり、理論的上限 $13\log(32768) = 195$ に近く、実用的性能を示す。
• $s=150$ および $n=1024$ に対しても、再構成のCPU時間は 0.15 秒未満に保たれ、高い計算効率を示す。
• ノイズのある条件下では、相対的 $\ell^2$ ノルム誤差がスパarsity $s$ に比例して線形に増加し、$s$ あたり約 0.6% の勾配を示す。
• 相対誤差はノイズレベル $N$ に比例して線形に増加し、ノイズ増加に伴う劣化が予測可能で安定していることが示された。