[논문 리뷰] Compressive sensing by white random convolution

Yin Xiang, LianLin Li외 1명|ArXiv.org|2009. 09. 15.

Sparse and Compressive Sensing Techniques참고 문헌 22인용 수 3

한 줄 요약

이 논문은 흰 잡음 컨볼루션을 사용한 압축 측정 프레임워크를 제안하며, 고정된 서브샘플링을 적용함으로써 신호 기저와 푸리에 기저 간의 일관성(coherence)이 유계일 경우 희박 신호가 높은 확률로 안정적으로 복원될 수 있음을 보여준다. 주요 결과로는 m ≈ O(μ²S log(n/δ)^{3/2})개의 샘플이 충분하여 실패 확률이 1−δ 이하일 확률로 복원이 보장된다는 것이다. 여기서 μ는 일관성, S는 희박성, n은 신호 차원이다.

ABSTRACT

A different compressive sensing framework, convolution with white noise waveform followed by subsampling at fixed (not randomly selected) locations, is studied in this paper. We show that its recoverability for sparse signals depends on the coherence (denoted by mu) between the signal representation and the Fourier basis. In particular, an n-dimensional signal which is S-sparse in such a basis can be recovered with a probability exceeding 1-delta from any fixed m~O(mu^2*S*log(n/delta)^(3/2)) output samples of the random convolution.

연구 동기 및 목표

• 정규화된 샘플링 패턴을 갖는 효율적이고 구현 가능한 압축 측정 시스템 설계의 과제를 다루기.
• 흰 잡음 컨볼루션과 고정된 서브샘플링이 희박한 신호의 안정적 복원을 달성할 수 있는지 조사하기.
• 주어진 기저에서 S-희박한 신호의 고확률 복원을 보장하는 조건을 규명하기.
• 일관성 μ, 희박성 S, 신호 차원 n, 실패 확률 δ를 고려하여 필요한 샘플 수를 정량화하기.
• 랜덤으로 샘플링 위치를 선택하지 않는 프레임워크를 통해 복원에 대한 이론적 보장을 제공하기.

제안 방법

• 희박한 신호에 흰 잡음 웨이브폼을 컨볼루션 커널로 적용하여 스프레드 스펙트럼 신호로 변환하기.
• 랜덤 샘플링 패턴 대신 고정된 사전 정의된 위치에서 신호를 서브샘플링하기.
• 측정 과정을 컨볼루션 커널과 고정된 샘플링 행렬에 의해 지배되는 선형 변환으로 모델링하기.
• 신호 표현 기저와 푸리에 기저 간의 일관성 μ를 복원 성능을 유계로 제한하는 핵심 매개변수로 사용하기.
• 유계된 일관성 가정 하에 샘플 복잡도의 경계를 도출하기 위해 확률적 분석 적용하기.
• 집중 불등식과 랜덤 컨볼루션의 성질을 활용하여 고확률로 복원 보장을 수립하기.

실험 결과

연구 질문

• RQ1 흰 잡음 컨볼루션 이후 고정된 서브샘플링이 압축 측정에서 희박한 신호의 안정적 복원을 달성할 수 있는가?
• RQ2 신호 기저와 푸리에 기저 간의 일관성 μ가 복원을 위한 필요한 샘플 수에 어떤 영향을 미치는가?
• RQ3 S-희박한 신호의 고확률 복원을 보장하기 위해 필요한 최소한의 고정 서브샘플링 점 수는 얼마인가?
• RQ4 랜덤 샘플링 위치의 부재가 복원 성능을 악화시키는가? 만약 그렇다면 어떤 조건에서 여전히 보장될 수 있는가?
• RQ5 랜덤 컨볼루션을 사용한 결정론적 샘플링 패턴에 대해 이론적 복원 보장을 수립할 수 있는가?

주요 결과

• 제안된 프레임워크는 m ≈ O(μ²S log(n/δ)^{3/2})개의 고정된 서브샘플링 점에서 S-희박한 신호의 고확률 복원을 가능하게 한다.
• 실패율을 제어하는 δ에 대해 복원 확률이 1−δ를 초과함이 보장된다.
• 신호 표현 기저와 푸리에 기저 간의 일관성 μ는 샘플 복잡도를 결정하는 중심 매개변수이다.
• 랜덤 샘플링 패턴을 회피하므로 실용적인 하드웨어 구현에 적합하다.
• 이론적 경계는 희박성 S에 대해 유리하게 스케일링되며, 신호 차원 n과 역실패 확률 δ에 대해 로그 스케일링된다.
• 일관성 μ가 유계일 경우 결정론적 샘플링 조건에서도 안정적인 복원 성능을 유지한다.