[논문 리뷰] Compressed Sensing with Prior Information: Optimal Strategies, Geometry, and Bounds

João F. C. Mota, Nikos Deligiannis외 1명|arXiv (Cornell University)|2014. 08. 22.

Sparse and Compressive Sensing Techniques참고 문헌 53인용 수 35

한 줄 요약

이 논문은 사전 정보 $w$를 사용하여 희박 신호를 복원하기 위해 두 가지 압축 측정법(Compressed Sensing, CS) 방법—$β$-정규화된 $σ$-노름 최소화 $∥x∥_1 + \beta\|x-w\|_1$ 및 $\|x\|_1 + \frac{\beta}{2}\|x-w\|_2^2$—을 제안하고 분석한다. $w$가 높은 품질일 경우 $\ell_1$-$\ell_1$ 최소화가 측정 수를 크게 감소시킴을 보이며, 반면 $\ell_1$-$\ell_2$는 고전적 CS에 비해 유의미한 향상이 없다고 밝힌다.

ABSTRACT

We address the problem of compressed sensing (CS) with prior information: reconstruct a target CS signal with the aid of a similar signal that is known beforehand, our prior information. We integrate the additional knowledge of the similar signal into CS via L1-L1 and L1-L2 minimization. We then establish bounds on the number of measurements required by these problems to successfully reconstruct the original signal. Our bounds and geometrical interpretations reveal that if the prior information has good enough quality, L1-L1 minimization improves the performance of CS dramatically. In contrast, L1-L2 minimization has a performance very similar to classical CS and brings no significant benefits. All our findings are illustrated with experimental results.

연구 동기 및 목표

• 알려진 유사 신호 $w$를 재구성 과정에 통합하여 사전 정보를 활용한 압축 측정 문제를 다루기.
• 사전 정보를 사용할 때 신호 복원에 성공하기 위해 필요한 측정 수 $m$을 결정하기.
• $\ell_1$-$\ell_1$ 및 $\ell_1$-$\ell_2$ 최소화의 성능을 사전 정보 하에서 비교하기.
• 사전 정보의 품질과 트레이드오프 파라미터 $\beta$에 기반한 측정 수 요구량에 대한 이론적 경계 유도하기.
• 재구성 성능에 대한 기하학적 및 확률적 해석 제공하기.

제안 방법

• 사용자 정의 유사도 측정 함수 $g$를 사용한 수정된 베이시스 퍼즈 문제를 제안하며, $\beta g(x-w)$는 $x^*$와 사전 정보 $w$ 간의 유사도를 측정한다.
• 두 가지 특정한 볼록 함수를 고려함: $g_1 = \|\cdot\|_1$ 및 $g_2 = \frac{1}{2}\|\cdot\|_2^2$로 인해 각각 $\ell_1$-$\ell_1$ 및 $\ell_1$-$\ell_2$ 최소화가 유도된다.
• i.i.d. 성분을 가진 가우시안 랜덤 행렬을 사용하여 높은 확률로 복원 가능한 데 필요한 측정 수 $m$의 경계를 유도한다.
• 가우시안 폭(Gaussian width) 및 노름공간 성질 분석을 통해 사전 정보 하에서의 해 공간 기하학적 특성 분석한다.
• 트레이드오프 파라미터 $\beta$의 최적성과 측정 수 감소에 미치는 영향을 분석한다.
• 노이즈 없는 및 노이즈 있는 시나리오에 적용하여 제약 조건 $\|Ax - y\|_2 \leq \sigma$를 설정한다.

실험 결과

연구 질문

• RQ1 압축 측정에 사전 정보 $w$를 통합할 경우, 신호 복원에 필요한 측정 수에 어떤 영향을 미치는가?
• RQ2 $\ell_1$-$\ell_1$ 최소화가 고전적 베이시스 퍼즈 및 $\ell_1$-$\ell_2$ 최소화에 비해 이론적으로 얼마나 큰 성능 향상을 제공하는가?
• RQ3 어떤 조건에서 사전 정보가 압축 측정의 측정 수 요구량을 유의미하게 감소시키는가?
• RQ4 사전 정보 $w$의 품질(측정 기준: $\|w - x^*\|_2 / \|x^*\|_2$)이 필요한 측정 수에 어떤 영향을 미치는가?
• RQ5 $\ell_1$-$\ell_1$ 및 $\ell_1$-$\ell_2$ 최소화에서 측정 수 요구량을 최소화하기 위한 최적의 트레이드오프 파라미터 $\beta$ 값은 무엇인가?

주요 결과

• $\ell_1$-$\ell_1$ 최소화 방법은 고전적 CS에 비해 성공적인 재구성에 필요한 측정 수를 매우 낮추며, 특히 사전 정보 $w$의 품질이 높을 경우 두드러진다.
• 상대 오차가 50%($\|w - x^*\|_2 / \|x^*\|_2 \simeq 0.5$)일 경우조차도, $\ell_1$-$\ell_1$ 최소화는 고전적 CS나 $\ell_1$-$\ell_2$ 최소화보다 유의미하게 적은 측정 수가 필요하다.
• $\ell_1$-$\ell_2$ 최소화 방법은 고전적 베이시스 퍼즈에 비해 유의미한 성능 향상이 없으며, 표준 CS와 유사한 성능을 보인다.
• 측정 수 요구량에 대한 이론적 경계는 사전 정보의 품질과 트레이드오프 파라미터 $\beta$에 모두 의존하며, 이는 최적의 $\beta$ 선택 가능성을 제공한다.
• 기하학적 및 확률적 분석을 통해 $\ell_1$-$\ell_1$ 최소화가 희박성 촉진 구조 덕분에 사전 정보를 더 효과적으로 활용함을 보여준다.
• 논문은 사전 신호 $w$가 진짜 신호 $x^*$에 충분히 가까울 경우, 특히 희박성 정렬 측면에서 $\ell_1$-$\ell_1$ 최소화가 뛰어난 복원 성능을 달성함을 규명한다.