[논문 리뷰] Generalized Alternating Projection Based Total Variation Minimization for Compressive Sensing

Xin Yuan|arXiv (Cornell University)|2015. 11. 12.

Sparse and Compressive Sensing Techniques참고 문헌 24인용 수 28

한 줄 요약

이 논문은 신호 도메인에서 총 변동성(Total Variation, TV)을 직접 최소화함으로써 변환 도메인 의존성을 제거하는 일반화된 교차 투영 기반 총 변동성(GAP-TV) 알고리즘을 제안한다. 측정 일致성과 TV-노름 제약 조건 사이를 번갈아가며 투영하는 방식으로 2D 이미지, 영상, 고분광 영상에서 최신 기술 수준의 성능을 달성하였으며, ADMM 및 TVAL3와 같은 기존 방법들보다 뛰어난 성능을 입증하였다.

ABSTRACT

We consider the total variation (TV) minimization problem used for compressive sensing and solve it using the generalized alternating projection (GAP) algorithm. Extensive results demonstrate the high performance of proposed algorithm on compressive sensing, including two dimensional images, hyperspectral images and videos. We further derive the Alternating Direction Method of Multipliers (ADMM) framework with TV minimization for video and hyperspectral image compressive sensing under the CACTI and CASSI framework, respectively. Connections between GAP and ADMM are also provided.

연구 동기 및 목표

• 기존 변환 도메인 기반 촉매 감지 방법이 기저, 그룹, 가중치를 신중히 선택해야 하는 한계를 해결하기 위해.
• 웨이블릿 또는 DCT 변환에 의존하지 않고, 촉매 감지에서 총 변동성 최소화를 위한 직접적이고 파rameter-free인 접근법을 개발하기 위해.
• 일반화된 교차 투영(GAP) 프레임워크를 신호 도메인에서 직접 총 변동성 최소화 문제를 해결할 수 있도록 확장하기 위해.
• 2D 이미지, 영상(CACTI), 고분광 영상(CASSI)을 포함한 다양한 촉매 감지 응용 분야에서 높은 성능을 입증하기 위해.

제안 방법

• 총 변동성 최소화 문제를 제약 최적화 문제로 재정의: 측정 일치성과 TV-노름 상한 제약 조건을 만족시키는 조건 하에 TV-노름을 최소화한다.
• 측정 일치성 다양체와 TV-노름 제약 집합 사이를 번갈아가며 투영하는 일반화된 교차 투영(GAP) 프레임워크를 적용한다.
• TV 노이즈 제거 하위 문제를 해결하기 위해 반복 클리핑 알고리즘을 사용한다: θ^(t) = x^(t) - D^T z^(t), 여기서 z^(t)는 기울기 도메인에서 희박성을 강제하기 위해 클리핑을 통해 갱신된다.
• 선형 다양체의 적응적 조정을 통해 x-투영 단계를 가속화하여 수렴 속도를 향상시킨다.
• CACTI 및 CASSI 아키텍처 하에서 TV 최소화를 위한 ADMM 프레임워크를 유도하며, GAP와 ADMM 간의 관계를 규명한다.
• Tikhonov 유형의 투영을 통해 x-업데이트를 해결한다: x^(t) = θ^(t-1) + Φ^T (ΦΦ^T)^{-1} (y - Φθ^(t-1)), 여기서 ΦΦ^T의 가역성을 가정한다.

실험 결과

연구 질문

• RQ1 일반화된 교차 투영(GAP) 알고리즘이 변환 도메인 의존성을 피하면서도 신호 도메인에서 총 변동성 최소화 문제를 효과적으로 해결할 수 있는가?
• RQ2 GAP-TV는 2D 이미지, 영상, 고분광 데이터에서 변환 도메인 GAP 및 기타 최신 기술 수준의 알고리즘(TVAL3, TwIST, ADMM)과 비교해 어떻게 성능을 내는가?
• RQ3 CACTI 아키텍처 하에서 영상 촉매 감지에 적용했을 때 GAP-TV는 기존 방법에 비해 얼마나 높은 성능 향상을 보이는가?
• RQ4 영상 및 고분광 영상에서 ADMM 기반 TV 최소화와 비교해 GAP-TV는 재구성 품질과 수렴 속도 측면에서 어떻게 성능을 내는가?
• RQ5 기존 변환 도메인 GAP 방법에 비해 GAP-TV는 그룹 선택, 가중치 조정 등의 파rameter 조정이 얼마나 줄어들 수 있는가?

주요 결과

• 2D 이미지에서 GAP-TV는 11% 샘플링 비율에서 PSNR 36.04 dB를 기록하여 TVAL3(32.50 dB)와 TwIST(30.43 dB)를 능가하는 뛰어난 재구성 품질을 달성하였다.
• CACTI 아키텍처 하에서 영상 촉매 감지 시, GAP-TV는 11% 샘플링 비율에서 PSNR 37.06 dB를 기록하여 Acc-GAP-TV(35.28 dB), ADMM-TV(31.54 dB), TVAL3(29.47 dB)를 모두 능가하였다.
• CASSI 아키텍처 하에서 고분광 영상에서 'bird' 데이터셋의 경우, GAP-TV는 11% 샘플링 비율에서 PSNR 35.78 dB를 기록하여 TVAL3(35.78 dB)와 TwIST(28.53 dB)를 초월하였다.
• GAP-TV는 'monarch' 이미지에서 11% 샘플링 비율에서 PSNR 34.79 dB를 기록하여 ADMM-TV(31.03 dB)와 TwIST(28.08 dB)를 뛰어넘었다.
• 모든 테스트 케이스에서 GAP-TV는 일관된 승리를 보였으며, TwIST 및 ADMM-TV와 같은 기준 방법 대비 최대 5 dB의 PSNR 향상을 기록하였다.
• 이 방법은 거의 파rameter-free이며, 기존 변환 도메인 GAP에서 요구되는 그룹 선택 및 가중치 조정이 필요 없이도 높은 재구성 정밀도를 유지한다.