[논문 리뷰] Deconvolution in white noise with a random blurring function

Thomas Willer|arXiv (Cornell University)|2005. 05. 09.

Image and Signal Denoising Methods참고 문헌 28인용 수 8

한 줄 요약

이 논문은 흰색 잡음에서 블러링 함수가 랜덤할 경우의 디컨volution을 연구하며, 주기적 베소브 볼 위에서 $L^p$ 위험의 최소 최대 비율을 확립한다. 이는 로그 요소를 제외한 최소 최대 비율을 달성하는 적응형 웨이블릿 기반 추정기의 제안과 함께, 이론적 보증과 시뮬레이션을 통해 비정상성과 필터 분포가 추정 효율성에 미치는 영향을 입증한다.

ABSTRACT

We consider the problem of denoising a function observed after a convolution with a random filter independent of the noise and satisfying some mean smoothness condition depending on an ill posedness coefficient. We establish the minimax rates for the Lp risk over balls of periodic Besov spaces with respect to the level of noise, and we provide an adaptive estimator achieving these rates up to log factors. Simulations were performed to highlight the effects of the ill posedness and of the distribution of the filter on the efficiency of the estimator.

연구 동기 및 목표

• 측정 시스템의 실제 불확실성을 반영하기 위해 블러링 연산자가 결정론적 대신 랜덤일 경우의 역문제를 다루기 위해.
• 흰색 잡음과 함께 랜덤 컨볼루션을 거친 주기적 베소브 함수 클래스 위에서 $L^p$ 위험의 최소 최대 수렴 비율을 유도하기 위해.
• 최소 최대 비율을 로그 요소를 제외하고 달성하는 적응형 웨이블릿 기반 추정기를 구축하기 위해.
• 비정상성 계수와 랜덤 블러링 함수의 분포가 추정 성능에 미치는 영향을 분석하기 위해.

제안 방법

• 노이즈가 있는 컨볼루션 관측치로부터 기저 함수를 추정하기 위해 웨이블릿-불확실성 분해와 갈레르킨 프로젝션 방법을 사용한다.
• 노이즈 수준 $\sigma_j$와 표본 크기 $n$에 따라 결정되는 임계값을 기반으로 웨이블릿 계수 $\hat{\beta}_{j,k}$를 사용해 하드 임계값 추정기 $\hat{f}_n$을 정의한다.
• $L^\rho$ 위험과 최대집합 공간 $l_{r,\infty}(\mu) \cap A(c_n^{\rho-r})$ 내의 속성 간의 등가성을 확립하여, 위험 행동을 함수의 정규성과 연결한다.
• 편향과 분산을 균형 잡기 위해 최적의 해상도 수준 $j_1$과 임계값 파라미터 $\eta$를 선택함으로써 적응성을 확보한다.
• Johnstone 등 (2004)과 Kerkyacharian 등 (2004)의 결과를 활용하여 웨이블릿 계수와 블러링 함수에 대한 조건을 검증한다.
• 베소브 공간 내의 보간과 임bedding 추론을 통해 희소성, 정규성, 임계 경우의 부드러움과 적분 가능성에 대응한다.

실험 결과

연구 질문

• RQ1 블러링 함수가 잡음과 독립적인 랜덤일 경우의 디컨볼루션에 대해 최소 최대 $L^p$ 위험 비율은 무엇인가?
• RQ2 비정상성 계수 $\nu$는 추정 절차의 수렴 비율에 어떤 영향을 미치는가?
• RQ3 랜덤 블러링이 존재하는 상황에서 적응형 웨이블릿 기반 추정기가 최소 최대 비율을 로그 요소를 제외하고 달성할 수 있는가?
• RQ4 랜덤 블러링 함수의 분포가 추정 효율성 결정에 어떤 역할을 하는가?
• RQ5 다양한 부드러움과 적분 가능성 매개변수($s, p, q$)가 달성 가능한 수렴 비율에 어떤 영향을 미치는가?

주요 결과

• 주기적 베소브 공간에서 $f$를 추정할 때의 최소 최대 $L^\rho$ 위험은 $c_n^{\rho - r}$의 순서를 가지며, 여기서 $c_n = \sqrt{\log(n)^{(\alpha+1)/\alpha}/n}$이며, $r$은 부드러움 $s$, 적분 가능성 $p$, 블러링 매개변수 $\nu$에 따라 달라진다.
• 제안된 웨이블릿 기반 추정기 $\hat{f}_n^D$는 로그 요소를 제외한 최소 최대 비율을 달성하며, 이 비율은 부드러움 $s$, 적분 가능성 $p$, 비정상성 $\nu$ 간의 상호작용에 의해 결정된다.
• 적절한 조건 하에서 $M(s,p,q,R) \subset l_{r,\infty}(\mu) \cap A(c_n^{\rho - r})$ 포함관계가 성립함을 확인하여, 최대집합이 악성 위험 행동을 정확히 반영함을 증명한다.
• 희소 경우에서 추정기는 $\lambda^{-r}$의 비율을 달성하며, 이 때 $r = \rho - 2\rho(s - 1/p + 1/\rho)/(2s + 2\nu + 1 - 2/p)$로, 희소성의 영향을 반영한다.
• 임계 경우 $\frac{2s + 2\nu + 1}{\rho} = \frac{2\nu + 1}{p}$에서 비율은 $\lambda^{-p}$이며, $r = p$로 나타나 경계의 날카로움이 입증된다.
• 시뮬레이션 결과는 비정상성 계수 $\nu$와 랜덤 필터의 분포가 모두 추정 성능에 중대한 영향을 미치며, $\nu$가 클수록 수렴 속도가 느려짐을 확인한다.