[논문 리뷰] A Short Note on Compressed Sensing with Partially Known Signal Support

Laurent Jacques|arXiv (Cornell University)|2009. 08. 05.

Sparse and Compressive Sensing Techniques참고 문헌 13인용 수 29

한 줄 요약

이 논문은 부분적으로 알려진 신호 지지 집합을 활용하여 노이즈 있는 측정치로부터 희박하거나 압축 가능한 신호의 재구성 성능을 햖스한 개선된 압축 측정법, 혁신적 기반 추적 노이즈 제거(iBPDN)를 제안한다. 알려지지 않은 지지 집합 위에서 ℓ₁-노름을 최소화하면서 ℓ₂-일관성 제약 조건을 강제함으로써, iBPDN은 동일한 제한된 이소메트리성 성질(Restricted Isometry Property, RIP) 조건 하에서 표준 BPDN과 유사한 안정성 보장을 달성하며, 이는 이전 연구를 노이즈 있는 및 압축 가능한 설정으로 확장한다.

ABSTRACT

This short note studies a variation of the Compressed Sensing paradigm introduced recently by Vaswani et al., i.e. the recovery of sparse signals from a certain number of linear measurements when the signal support is partially known. The reconstruction method is based on a convex minimization program coined "innovative Basis Pursuit DeNoise" (or iBPDN). Under the common $\ell_2$-fidelity constraint made on the available measurements, this optimization promotes the ($\ell_1$) sparsity of the candidate signal over the complement of this known part. In particular, this paper extends the results of Vaswani et al. to the cases of compressible signals and noisy measurements. Our proof relies on a small adaption of the results of Candes in 2008 for characterizing the stability of the Basis Pursuit DeNoise (BPDN) program. We emphasize also an interesting link between our method and the recent work of Davenport et al. on the $δ$-stable embeddings and the "cancel-then-recover" strategy applied to our problem. For both approaches, reconstructions are indeed stabilized when the sensing matrix respects the Restricted Isometry Property for the same sparsity order. We conclude by sketching an easy numerical method relying on monotone operator splitting and proximal methods that iteratively solves iBPDN.

연구 동기 및 목표

• 부분적으로 알려진 신호 지지 집합이 존재하는 경우에도 압축 측정법의 이론적 안정성을 확장하는 것.
• 노이즈 있는 측정치와 압축 가능한 신호 하에서 수정된 기반 추적 노이즈 제거(BPDN) 공식의 성능을 분석하는 것.
• iBPDN이 동일한 RIP 조건 하에서 표준 BPDN과 유사한 안정성 경계를 달성함을 입증하는 것.
• iBPDN을 취소-다시회복 전략과 연결하고, δ-안정 임bedding 하에서 공통된 안정성 확보를 보여주는 것.
• 단조 연산자 분할과 프록시메이션 방법을 기반으로 수치적으로 구현 가능한 알고리즘을 제공하는 것.

제안 방법

• 알려진 지지 집합 T의 여집합 위에서 신호의 ℓ₁-노름을 최소화하는 볼록 최적화 프로그램으로 iBPDN을 제안한다.
• 측정 일관성을 보장하기 위해 ℓ₂-일관성 제약 조건을 사용한다: ||y - Φx||₂ ≤ ε.
• iBPDN 문제를 반복적으로 해결하기 위해 프록시메이션 분할 기법, 특히 Douglas-Rachford 방법을 적용한다.
• 알려지지 않은 성분에 해당하는 ℓ₁-노름의 가까이 있는 연산자를 사용하며, 이는 알려지지 않은 성분에 대한 소프트 스레시홀딩에 해당한다.
• 측정 일관성 튜브 C(ε) = {v : ||y - Φv||₂ ≤ ε} 위로 정사영을 사용하여 제약 조건을 구현한다.
• 안정성을 확보하기 위해 순서 s + 2k의 제한된 이소메트리성 성질(Restricted Isometry Property, RIP)을 활용하며, δs+2k < 1을 충족하는 것이 충분한 조건이다.

실험 결과

연구 질문

• RQ1 부분적으로 알려진 지지 집합이 존재하는 압축 측정법이 노이즈 있는 측정치와 압축 가능한 신호에 대해 안정성을 유지할 수 있는가?
• RQ2 iBPDN의 성능은 재구성 오차 경계 측면에서 표준 BPDN과 비교해 볼 때 어떻게 되는가?
• RQ3 iBPDN과 취소-다시회복 전략 간의 안정성 및 RIP 요구 조건에서의 관계는 무엇인가?
• RQ4 iBPDN 공식은 취소-다시회복 접근 방식과 달리 측정 노이즈에 대해 강건한가?
• RQ5 iBPDN은 수렴 보장을 갖는 프록시메이션 알고리즘을 통해 효율적으로 해결될 수 있는가?

주요 결과

• δs+2k < 1 조건 하에서 iBPDN은 압축 가능한 신호의 안정적 복원을 달성하며, 오차 경계는 최적의 k-항 근사 오차 비례한다.
• 알려지지 않은 부분의 재구성 오차는 ||xTᶜ - x*Tᶜ||₂ ≤ Ds,k × e₀(r,k)를 만족하며, 여기서 Ds,k < 2(1 + (√2 - 1)δs+2k)/(1 - (√2 + 1)δs+2k)이다.
• 안정성 조건 δs+2k < 1은 Davenport 등(δs+2k < (√2 - 1)/√2)의 것보다 더 약한 조건이지만, 둘 다 동일한 RIP 기반 안정성 보장을 공유한다.
• iBPDN은 취소-다시회복 전략과 달리 노이즈 있는 측정치에 대해 안정성을 제공한다. 이는 추가적인 노이즈 경계 조건이 필요로 하지 않기 때문이다.
• 제안된 Douglas-Rachford 알고리즘은 iBPDN 해로 수렴하며, Tᶜ 위에서의 가까이 있는 연산자는 성분별 소프트 스레시홀딩을 통해 구현된다.