[論文レビュー] Sparse Spikes Deconvolution on Thin Grids

Vincent Duval, Gabriel Peyré|arXiv (Cornell University)|Mar 30, 2015

Sparse and Compressive Sensing Techniques参考文献 26被引用数 14

ひとこと要約

本稿は、細いグリッド上のスパーススパイクデコンボリューションにおけるLassoおよび連続的基底 Pursuit (C-BP) 法のサポート復元性能を分析する。小さなノイズ領域において、両手法は各真のスパイクの周囲に隣接する2つのスパイクが形成されることで、元のスパイクの約2倍の数を復元することが示された。この現象は、最小ノルム双対証明書の拡張サポートによって支配される。本分析により、測定値が臨界閾値未満のときの圧縮センシングにおける不安定性を理解するための統一的枠組みが提供される。

ABSTRACT

This article analyzes the recovery performance of two popular finite dimensional approximations of the sparse spikes deconvolution problem over Radon measures. We examine in a unified framework both the L1 regularization (often referred to as Lasso or Basis-Pursuit) and the Continuous Basis-Pursuit (C-BP) methods. The Lasso is the de-facto standard for the sparse regularization of inverse problems in imaging. It performs a nearest neighbor interpolation of the spikes locations on the sampling grid. The C-BP method, introduced by Ekanadham, Tranchina and Simoncelli, uses a linear interpolation of the locations to perform a better approximation of the infinite-dimensional optimization problem, for positive measures. We show that, in the small noise regime, both methods estimate twice the number of spikes as the number of original spikes. Indeed, we show that they both detect two neighboring spikes around the locations of an original spikes. These results for deconvolution problems are based on an abstract analysis of the so-called extended support of the solutions of L1-type problems (including as special cases the Lasso and C-BP for deconvolution), which are of an independent interest. They precisely characterize the support of the solutions when the noise is small and the regularization parameter is selected accordingly. We illustrate these findings to analyze for the first time the support instability of compressed sensing recovery when the number of measurements is below the critical limit (well documented in the literature) where the support is provably stable.

研究の動機と目的

• 細いグリッド上でのスパーススパイクデコンボリューションの有限次元近似のサポート復元性能を分析すること。
• Lasso（ℓ¹正則化）と連続的基底 Pursuit (C-BP) 法のスパイク検出精度を比較すること。
• LassoとC-BPの両手法が、元の測度に存在するスパイク数の約2倍のスパイクを検出する理由を説明すること。
• 小さなノイズおよび適切な正則化下でのℓ¹型解の拡張サポートに関する理論的枠組みを確立すること。
• 測定数が臨界限界未満のとき、圧縮センシングの復元が不安定になる理由を調査すること。

提案手法

• LassoとC-BPを含むℓ¹型最適化問題の解の拡張サポートを分析する統一的枠組みを用いる。
• 最小ノルム双対証明書η₀ = A*p₀が、小さなノイズ領域における解のサポートを特徴付ける中心的役割を果たすと定義する。
• ソース条件（双対証明書条件）を適用して、解が同定可能である条件を特定し、サポートの挙動を分析する。
• LassoおよびC-BP問題のサポートを、拡張サポート集合ext(a₀) = {j : |(η₀)j| = 1}を介して分析する。
• 最小ノルム証明書の構造に起因して、元のスパイク1つにつき2つのスパイクが復元される条件を導出する。
• 従来のスパース回復研究を拡張し、最近接隣接（Lasso）および線形補間（C-BP）のグリッドベース近似を含める。

実験結果

リサーチクエスチョン

• RQ1 なぜLassoとC-BP手法は、細いグリッド上での元の測度に存在するスパイク数の約2倍のスパイクを復元するのか？
• RQ2 小さなノイズ領域において、最小ノルム双対証明書がℓ¹正則化解の拡張サポートをどのように支配するのか？
• RQ3 復元解のサポートが安定的かつ同定可能であるための条件は何か？
• RQ4 LassoとC-BPにおける拡張サポートにはどのような相違があり、スパイク局在化にどのような含意を持つのか？
• RQ5 測定数が臨界閾値未満である場合、圧縮センシングにおけるサポート復元の安定性に測定数がどの程度影響を及ぼすのか？

主な発見

• 小さなノイズ領域において、LassoおよびC-BP両手法は元のスパイク数の約2倍のスパイクを復元し、各真のスパイクごとに隣接する2つのスパイクを検出する。
• 拡張サポート（|η₀|j| = 1を満たす添字の集合）として定義される解の拡張サポートが、スパイク検出数の2倍化を説明する。
• 最小ノルム双対証明書η₀ = A*p₀は、小さなノイズ領域におけるℓ¹正則化解のサポート挙動を一意に決定する。
• 臨界測定限界未満での圧縮センシングにおけるサポート不安定性は、拡張サポートの構造と双対証明書と analytically に結びつけられる。
• 測定数が不足する際の圧縮センシングにおけるサポート不安定性というよく知られた現象について、理論的説明が提供される。
• LassoとC-BPの両手法は、同じ根本的メカニズム（拡張サポートに起因）により、類似した定性的な失敗モードを示す。