[論文レビュー] Using Correlated Subset Structure For Compressive Sensing Recovery

Atul Divekar, Deanna Needell|arXiv (Cornell University)|Feb 16, 2013

Sparse and Compressive Sensing Techniques参考文献 15被引用数 3

ひとこと要約

本論文は、スーパーレゾリューションなどの物理的イメージングプロセスに起因するサンプリング行列の相関のあるカラム構造を活用する、新しい圧縮センシング再構成アルゴリズムを提案する。ウェーブレット係数をツリー構造のサブセットにグループ化し、和ベースの選択基準を用いることで、特に非ゼロ係数が空間的に一様なウェーブレットツリーに集中する場合に、標準の $β$-最小化法よりも再構成精度が向上する。

ABSTRACT

Compressive sensing is a methodology for the reconstruction of sparse or compressible signals using far fewer samples than required by the Nyquist criterion. However, many of the results in compressive sensing concern random sampling matrices such as Gaussian and Bernoulli matrices. In common physically feasible signal acquisition and reconstruction scenarios such as super-resolution of images, the sensing matrix has a non-random structure with highly correlated columns. Here we present a compressive sensing recovery algorithm that exploits this correlation structure. We provide algorithmic justification as well as empirical comparisons.

研究の動機と目的

• 画像スーパーレゾリューションなどの物理的取得制約によって生じるサンプリング行列の強いカラム内相関に対処する圧縮センシング再構成の課題に取り組む。
• 制限付き等長性性質（RIP）を満たさない非ランダムで相関のあるセンシング行列において、標準の $β$-最小化法やCoSaMPの限界を克服する。
• 画像信号のウェーブレット係数に内在するツリー構造の相関を活用することで、信号再構成精度を向上させる。
• サブセット単位の相関パターンを活用して顕著な係数の選択を向上させる実用的な再構成アルゴリズムを開発・検証する。
• スパース信号再構成において、非ゼロ係数を含むウェーブレットツリーを特定するための和ベース推定器の有効性を示す。

提案手法

• センシング行列の一部のカラムのみを逆行列化することで初期推定値のノイズを低減する、CoSaMPの変種である部分逆行列（PartInv）アルゴリズムを導入する。
• サンプリング行列 $Φ = SH\Psi$ のカラムを、空間的に一様なウェーブレットツリーのサブセットにグループ化する。各サブセット内のカラムは、重複する空間的サポートにより高い相関を示す。
• 各ウェーブレットツリー $I$ に対して、強度推定子 $s_I = \sum_{j \in I} |\hat{c}_j|$ を定義し、信号再構成に向けた有望なサブセットの順序付けと選択に用いる。
• 選択されたサブセット $I^{(k)}$ において最小二乗問題を解き、サポート推定値を繰り返し精緻化する。その後、残差を更新し、新たな相関に配慮した選択を再実行する。
• 残差の減少とサポート推定値の収束に基づく停止条件を用いて、反復処理を終了する。
• 2次元画像パッチにダービーチェス-5ウェーブレット基底とぼかしフィルタを適用し、現実的な光学的サンプリングを模擬する。サブサンプリングパターンは、基本パターンの複製により生成する。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレット表現における画像の内在的ツリー構造的相関を活用することで、圧縮センシング再構成は著しく改善可能か？
• RQ2 センシング行列に相関のあるカラムサブセットが存在する場合、$β$-最小化法と修正されたCoSaMPアルゴリズム（PartInv）の性能はどのように比較されるか？
• RQ3 標準のしきい値処理と比較して、ウェーブレットツリーのエネルギーを和ベースで推定することで、非ゼロ係数集合の選択はどの程度向上するか？
• RQ4 ダウンサンプリングやぼかしを伴う現実的なサンプリング条件、たとえば画像スーパーレゾリューションにおいて、提案手法は高い再構成精度を維持できるか？
• RQ5 センシング行列のカラム間に強い相関があるために制限付き等長性性質（RIP）を満たさない場合でも、アルゴリズムは安定的かつ正確な再構成を達成できるか？

主な発見

• 和ベース推定子を用いた提案手法PartInvは、相関のあるカラムサブセットが存在する状況において、標準の $β$-最小化法に比べて再構成性能が顕著に向上する。
• サンプリングレート $\delta = \frac{2}{16}$ から $\frac{14}{16}$ の範囲で、非ゼロ係数がウェーブレットツリーに集中する信号の再構成において、$\frac{1}{N}\|c - \hat{c}\|^2 < 10^{-5}$ を満たす成功率が90％を超える。
• 推定子 $s_I = \sum_{j \in I} |\hat{c}_j|$ は、顕著な係数を含むウェーブレットツリーを効果的に同定し、単純なしきい値処理よりも関連するサポート集合の選択で優れた性能を示す。
• ノイズやセンシング行列内の構造的相関に対しても、アルゴリズムは頑健性を示す。特に $\Phi = SH\Psi$ が制限付き等長性性質（RIP）を満たさない場合でも同様である。
• 実験的結果から、空間的に重複するウェーブレット原子が低域通過カーネルによってフィルタリングされることで生じる $\Phi$ の相関構造は、再構成精度の向上に効果的に活用可能であることが示された。
• 高圧縮率の画像スーパーレゾリューション設定においても、$M/N = 14/16$ のサンプリングレートで高い再構成忠実度を達成しており、優れた性能を示している。