[論文レビュー] Super-Resolution Compressed Sensing: A Generalized Iterative Reweighted L2 Approach

Jun Fang, Huiping Duan+3 more|arXiv (Cornell University)|Dec 8, 2014

Sparse and Compressive Sensing Techniques参考文献 22被引用数 5

ひとこと要約

本稿では、スパース信号とスパース化辞書の未知の連続ドメインパラメータを同時に推定することで、グリッド不一致を克服する一般化された反復的重み付き ℓ₂ アルゴリズムを提案する。主成分最小化（MM）フレームワークを用いて副目的関数を反復的に最小化することで、従来手法に比べて高いロバスト性と性能を達成し、特に測定値が少ない場合に優れた超解像度性能を示す。

ABSTRACT

Conventional compressed sensing theory assumes signals have sparse representations in a known, finite dictionary. Nevertheless, in many practical applications such as direction-of-arrival (DOA) estimation and line spectral estimation, the sparsifying dictionary is usually characterized by a set of unknown parameters in a continuous domain. To apply the conventional compressed sensing technique to such applications, the continuous parameter space has to be discretized to a finite set of grid points, based on which a "presumed dictionary" is constructed for sparse signal recovery. Discretization, however, inevitably incurs errors since the true parameters do not necessarily lie on the discretized grid. This error, also referred to as grid mismatch, may lead to deteriorated recovery performance or even recovery failure. To address this issue, in this paper, we propose a generalized iterative reweighted L2 method which jointly estimates the sparse signals and the unknown parameters associated with the true dictionary. The proposed algorithm is developed by iteratively decreasing a surrogate function majorizing a given objective function, resulting in a gradual and interweaved iterative process to refine the unknown parameters and the sparse signal. A simple yet effective scheme is developed for adaptively updating the regularization parameter that controls the tradeoff between the sparsity of the solution and the data fitting error. Extension of the proposed algorithm to the multiple measurement vector scenario is also considered. Numerical results show that the proposed algorithm achieves a super-resolution accuracy and presents superiority over other existing methods.

研究の動機と目的

• DOA推定や線スペクトル推定などの応用分野で、真の信号パラメータが離散化された辞書と一致しないグリッド不一致問題に対処すること。
• 固定の事前離散化グリッドに依存せず、スパース化辞書の未知の連続ドメインパラメータとスパース信号を同時に学習する手法を開発すること。
• 有限グリッドの離散化に起因する基底不一致による性能劣化を回避すること。
• 細かいグリッドや貪欲アルゴリズムを用いる手法と比較して、再構成精度と数値的安定性を向上させること。
• 連続パラメータ空間で直接処理することで、超解像度信号回復を可能にすること。

提案手法

• 元の目的関数を上回る副目的関数を定式化し、主成分最小化（MM）フレームワークにより反復的最小化を可能にする非凸最適化問題に定式化する。
• ℓ₂ノルムにおける反復的重み付けを用いてスパarsityを促進するとともに、辞書パラメータを結合的・入れ違いに更新する。
• 反復処理中にスパarsityとデータ適合誤差のバランスを取るために、適応的正則化パラメータの更新スキームを導入する。
• 行列微積分と複素微分を用いて、未知パラメータに関する目的関数の解析的勾配を導出する。
• より広範な適用性を実現するため、単一測定ベクトル（SMV）および複数測定ベクトル（MMV）の両状況にアルゴリズムを適用する。
• 反復的更新中に計算効率を維持するため、データ投影行列の低ランク近似を用いる。

実験結果

リサーチクエスチョン

• RQ1 固定グリッドに依存しないスパース信号と連続辞書パラメータの同時推定は、固定グリッドの圧縮センシングを上回る超解像度回復を実現できるか？
• RQ2 細かい離散化を必要とせずに、本手法の反復的重み付き ℓ₂ 法はグリッド不一致をどのように軽減するか？
• RQ3 適応的正則化は、超解像度圧縮センシングにおける収束性と再構成精度にどのような影響を与えるか？
• RQ4 最先端手法と比較して、測定数が少ない場合に本手法はどのように性能を発揮するか？
• RQ5 MMに基づくフレームワークは、連続パラメータの不確実性が存在する状況でも安定的かつ正確な回復を保証できるか？

主な発見

• 提案手法は、従来のグリッド解像度を上回る精度で周波数成分を解離する超解像度性能を達成する。
• M=20 個の測定値のみで、SIHT や OGSBI が著しくぼやけた結果を生成する中、本手法は元の信号を著しく低い歪みで再構成する。
• 特に低SNRおよび低測定数の状況において、再構成信号対雑音比（RSNR）の観点で既存手法を上回る性能を示す。
• 適応的正則化により収束性が向上し、スパarsityとデータ適合誤差のバランスが取られ、多様なシナリオにわたるロバストな性能が実現される。
• 単一測定ベクトルおよび複数測定ベクトルの両設定において優れた性能を示し、一般化能力の高さが確認される。
• 数値結果から、真のパラメータがグリッド点の間に位置する場合でも、本手法がグリッド不一致を効果的に軽減し、高精度な再構成を達成できることを確認した。