[논문 리뷰] Compressive Diffraction Tomography for Weakly Scattering

LianLin Li, Wenji Zhang외 1명|ArXiv.org|2009. 04. 17.

Sparse and Compressive Sensing Techniques참고 문헌 11인용 수 3

한 줄 요약

이 논문은 약한 산란체를 위한 압축 분산 톰그래피 프레임워크를 제안하며, 랜덤 매질을 활용하여 매우 희박한 데이터에서 초해상도 재구성을 가능하게 한다. 파동장의 비정합성과 수정된 희박한 베이지안 알고리즘을 활용하여, 표준 압축 센싱 수준의 측정값으로도 정확한 K-희박 재구성을 달성하며, 데이터 요구량을 크게 줄이면서도 해상도의 상호 보완성을 유지한다.

ABSTRACT

An appealing requirement from the well-known diffraction tomography (DT) exists for success reconstruction from few-view and limited-angle data. Inspired by the well-known compressive sensing (CS), the accurate super-resolution reconstruction from highly sparse data for the weakly scatters has been investigated in this paper. To realize the compressive data measurement, in particular, to obtain the super-resolution reconstruction with highly sparse data, the compressive system which is realized by surrounding the probed obstacles by the random media has been proposed and empirically studied. Several interesting conclusions have been drawn: (a) if the desired resolution is within the range from to, the K-sparse N-unknowns imaging can be obtained exactly bymeasurements, which is comparable to the required number of measurement by the Gaussian random matrix in the literatures of compressive sensing. (b) With incorporating the random media which is used to enforce the multi-path effect of wave propagation, the resulting measurement matrix is incoherence with wavelet matrix, in other words, when the probed obstacles are sparse with the framework of wavelet, the required number of measurements for successful reconstruction is similar as above. (c) If the expected resolution is lower than, the required number of measurements of proposed compressive system is almost identical to the case of free space. (d) There is also a requirement to make the tradeoff between the imaging resolutions and the number of measurements. In addition, by the introduction of complex Gaussian variable the kind of fast sparse Bayesian algorithm has been slightly modified to deal with the complex-valued optimization with sparse constraints.

연구 동기 및 목표

• 소수의 시점 및 제한된 각도의 분산 톰그래피 데이터로부터 고해상도 영상 재구성 문제를 해결하기 위해.
• 분산 톰그래피에서 매우 희박한 측정값을 사용하여 초해상도 영상 촬영을 가능하게 하기 위해.
• 압축 센싱 원칙을 통해 이미지 품질을 유지하면서 필요한 측정 수를 줄이기 위해.
• 랜덤 매질이 측정 비정합성 향상과 재구성 성능 향상에 미치는 영향을 조사하기 위해.
• 복소수 값, 웨이브릿 희박성 영상 문제에 적합한 희박한 베이지안 알고리즘을 적응하기 위해.

제안 방법

• 압축 시스템은 물체 주변의 랜덤 매질을 사용하여 다중 경로 파동 전파를 유도함으로써 웨이브릿 희박성 기저와의 비정합성을 증가시킨다.
• 결과적으로 생성된 측정 행렬은 웨이브릿 변환과 비정합적이며, 성공적인 압축 센싱 복원을 위한 핵심 조건을 만족한다.
• 희박성 제약 조건 하에 복소수 최적화를 처리하기 위해 수정된 희박한 베이지안 알고리즘을 개발하였다.
• 이 방법은 이론적 압축 센싱의 경계에 맞추어 M ≈ K 측정값으로 N 미지수의 정확한 K-희박 재구성을 가능하게 한다.
• 다양한 해상도 및 측정 조건에서 약한 산란체에 대한 실증 연구를 통해 프레임워크를 검증하였다.

실험 결과

연구 질문

• RQ1 압축 센싱 원칙을 활용하여 분산 톰그래피에서 매우 희박한 데이터로부터 초해상도 재구성을 달성할 수 있는가?
• RQ2 랜덤 매질의 사용이 측정 비정합성과 재구성 정확도에 어떤 영향을 미치는가?
• RQ3 이 압축 시스템에서 성공적인 K-희박 재구성을 위해 필요한 최소 측정 수는 얼마인가?
• RQ4 제안된 압축 설정에서 영상 해상도와 측정 수 사이의 상호 보완성은 어떻게 되는가?
• RQ5 수정된 희박한 베이지안 알고리즘이 이 맥락에서 복소수 희박 재구성에 얼마나 효과적으로 기여하는가?

주요 결과

• K-희박 N-미지수 영상 재구성은 M ≈ K 측정값으로 정확히 복원 가능하며, 이는 압축 센싱의 이론적 최소값과 일치한다.
• 랜덤 매질에 의해 유도된 다중 경로 효과는 웨이브릿 기저와의 비정합성을 보장하여 안정적이고 정확한 재구성을 가능하게 한다.
• 원하는 해상도가 특정 임계값 이하일 경우, 필요한 측정 수는 자유공간 설정과 거의 동일하다.
• 영상 해상도와 측정 수 사이에 상호 보완성이 존재하며, 높은 해상도를 위해서는 더 많은 데이터가 필요하다.
• 수정된 희박한 베이지안 알고리즘은 효과적으로 복소수 값, 웨이브릿 희박성 최적화를 처리하여 견고한 재구성을 가능하게 한다.