[論文レビュー] The Physics of Compressive Sensing and the Gradient-Based Recovery Algorithms

Qi I. Dai, Wei E. I. Sha|ArXiv.org|Jun 8, 2009

Sparse and Compressive Sensing TechniquesEngineering参考文献 9被引用数 18

ひとこと要約

本稿は、圧縮センシング（CS）および勾配ベースの回復アルゴリズムの物理的・幾何的解釈を提示し、コherenct（整合性）、測定設計、およびスパース信号回復におけるl1最小化の役割に焦点を当てる。スパースな画像の再構成は、従来のナイキスト採択よりもはるかに少ない測定数で達成可能であり、幾何的画像では20×64の測定数でのPSNR >90を達成している。

ABSTRACT

The physics of compressive sensing (CS) and the gradient-based recovery algorithms are presented. First, the different forms for CS are summarized. Second, the physical meanings of coherence and measurement are given. Third, the gradient-based recovery algorithms and their geometry explanations are provided. Finally, we conclude the report and give some suggestion for future work.

研究の動機と目的

• 数学的証明を超えた圧縮センシング（CS）の物理的・幾何的洞察を提供すること。
• CSにおける整合性および測定行列の物理的意味を明確にすること。
• 幾何的直感を用いて勾配ベースの回復アルゴリズムを説明すること。
• l1最小化および全変動（total variation）を用いて、サブ・ナイキスト測定から正確な画像再構成が可能であることを示すこと。
• 信号および画像処理における効率的なCS実装のための実用的ガイドラインおよび今後の方向性を提示すること。

提案手法

• 時間領域または変換領域におけるスパarsityおよび測定取得領域に基づいて、4つの異なるCSシナリオを定式化する。
• 安定的かつロバストな信号回復のための条件として、一様不確実性原理（UUP）および制限等長性性質（RIP）を導入する。
• NP困難なl0最小化の凸近似としてl1最小化を用い、解のスパarsityを促進する。
• l1正則化回復問題を解くために勾配ベースの最適化手法（例えば、最急降下法、ニュートン法）を適用する。
• スパースでないが勾配がスパースな画像（例えば、幾何的図形）に対して、全変動（TV）正則化を適用する。
• RIPを満たし、高い確率で安定的回復を保証するため、ランダム測定行列（ガウス分布、ベルヌーイ分布）を用いる。

実験結果

リサーチクエスチョン

• RQ1 スパース化基底と測定行列との間の整合性は、CSにおける必要な測定数にどのように影響するか？
• RQ2 なぜl1最小化が、不定な方程式系からのスパース信号回復に有効なのか？
• RQ3 圧縮センシングの文脈において、勾配ベースの回復アルゴリズムの幾何的解釈は何か？
• RQ4 勾配がスパースな画像（例えば、幾何的形状）は、少ない測定数で全変動最小化を用いて正確に再構成可能か？
• RQ5 実用的なCS応用において、測定行列のサイズは再構成品質にどのように影響するか？

主な発見

• 幾何的画像では、20×64の測定数での再構成が可能であり、PSNR >90を達成している。
• ウェーブレット領域でスパースな画像では、100×256の測定行列でCameramanではPSNR 29.4、BoatsではPSNR 30.9を達成している。
• 安定的回復を保証するためには、測定行列が制限等長性性質（RIP）を満たす必要があり、δkが1に近すぎないことが重要である。
• ガウス分布やベルヌーイ分布などのランダム測定行列は、UUPおよびRIPを高い確率で満たし、ロバストな回復を可能にする。
• 最急降下法やニュートン法などの勾配ベースのアルゴリズムは、最小限のデータで高精度の画像回復を成功させている。
• 全変動最小化により、標準基底でスパースでないが勾配がスパースな画像の効果的回復が可能である。