[논문 리뷰] Sobolev Duals for Random Frames and Sigma-Delta Quantization of Compressed Sensing Measurements

C. Si̇nan Güntürk, Alexander M. Powell외 2명|arXiv (Cornell University)|2010. 02. 01.

Sparse and Compressive Sensing Techniques참고 문헌 26인용 수 33

한 줄 요약

이 논문은 r차수의 시그마-델타 양자화 압축 감지 측정치로부터 복원하기 위해 소볼레프 쌍대 프레임을 사용하는 것을 제안하며, 높은 확률을 가진 랜덤 가우시안 측정 행렬과 약간의 지지 집합 제약 조건을 만족하는 k-희소 신호에 대해, $0 < \beta < 1$ 인 경우에 대해 $(m/k)^{(r-1/2)\beta}$의 요소로 오차를 크게 감소시킨다.

ABSTRACT

Quantization of compressed sensing measurements is typically justified by the robust recovery results of Candes, Romberg and Tao, and of Donoho. These results guarantee that if a uniform quantizer of step size $\delta$ is used to quantize $m$ measurements $y = \Phi x$ of a $k$-sparse signal $x \in \R^N$, where $\Phi$ satisfies the restricted isometry property, then the approximate recovery $x^#$ via $\ell_1$-minimization is within $O(\delta)$ of $x$. The simplest and commonly assumed approach is to quantize each measurement independently. In this paper, we show that if instead an $r$th order $\Sigma\Delta$ quantization scheme with the same output alphabet is used to quantize $y$, then there is an alternative recovery method via Sobolev dual frames which guarantees a reduction of the approximation error by a factor of $(m/k)^{(r-1/2)\alpha}$ for any $0 < \alpha < 1$, if $m \gtrsim_r k (\log N)^{1/(1-\alpha)}$. The result holds with high probability on the initial draw of the measurement matrix $\Phi$ from the Gaussian distribution, and uniformly for all $k$-sparse signals $x$ that satisfy a mild size condition on their supports.

연구 동기 및 목표

• 표준 양자화를 초월하여 양자화 측정치로부터 압축 감지 신호 복원의 정확도를 향상시키는 것.
• 압축 감지 맥락에서 소볼레프 쌍대 프레임과 결합된 r차수의 시그마-델타 양자화 성능을 분석하는 것.
• 약간의 지지 집합 크기 조건 하에서 모든 $k$-희소 신호에 대해 균일한 복원 보장을 수립하는 것.
• 표준 균일 양자화에 비해 고차수의 시그마-델타 방식을 통해 달성 가능한 오차 감소 이득을 정량화하는 것.

제안 방법

• 이 방법은 고정된 출력 알파벳을 사용하여 $m$개의 측정치 $y = \Phi x$를 r차수의 시그마-델타 양자화하여 처리하며, $k$-희소 신호 $x \in \mathbb{R}^N$를 대상으로 한다.
• 복원을 위한 표준 $\ell_1$-최소화 대신 소볼레프 쌍대 프레임을 대체 복원 수단으로 도입한다.
• 측정 행렬 $\Phi$가 가우시안 분포에서 유도되며, 높은 확률로 제한된 이소메트릭 성질을 만족한다고 가정할 때 오차를 분석한다.
• 확률적 방법을 사용하여 이론적 경계를 유도하며, $m \gtrsim_r k (\log N)^{1/(1-\alpha)}$ 조건을 만족할 경우 오차가 $(m/k)^{(r-1/2)\alpha}$ 비율로 감소함을 보여준다. 이는 $0 < \alpha < 1$ 인 모든 경우에 대해 성립한다.
• 지지 집합이 약간의 크기 조건을 만족하는 모든 $k$-희소 신호에 대해 균일한 복원이 보장된다.

실험 결과

연구 질문

• RQ1 고차수의 시그마-델타 양자화와 소볼레프 쌍대 프레임을 조합하여, 표준 균일 양자화로는 달성할 수 없는 압축 감지의 재구성 오차를 감소시킬 수 있는가?
• RQ2 표준 $\ell_1$-최소화에 비해 r차수의 시그마-델타 양자화와 소볼레프 쌍대 프레임을 사용할 경우 오차 감소의 정량적 이득은 무엇인가?
• RQ3 오차 스케일링은 측정 수 $m$, 희소성 $k$, 그리고 양자화 차수 $r$에 따라 어떻게 달라지는가?
• RQ4 무작위 가우시안 행렬에 대해, $m$과 $N$에 어떤 조건이 성립할 경우 높은 확률로 향상된 오차 스케일링이 유지되는가?

주요 결과

• r차수의 시그마-델타 양자화와 소볼레프 쌍대 프레임을 사용할 경우, 표준 균일 양자화에 비해 재구성 오차가 $(m/k)^{(r-1/2)\alpha}$의 요소로 감소한다. 이는 $0 < \alpha < 1$ 인 모든 경우에 대해 성립한다.
• 측정 행렬 $\Phi$가 가우시안 분포에서 유도되고 $m \gtrsim_r k (\log N)^{1/(1-\alpha)}$ 조건을 만족할 경우, 이 오차 감소는 높은 확률로 달성된다.
• 지지 집합이 약간의 크기 조건을 만족하는 모든 $k$-희소 신호에 대해 균일하게 복원이 가능하다.
• 특히 $r$이 증가할수록 표준 $\ell_1$-최소화에 비해 오차 감소율이 크게 향상된다.
• 제시된 조건 하에서 모든 $k$-희소 신호에 대해 이론적 경계가 균일하게 유지되어 강건성을 보장한다.