[논문 리뷰] Travelling salesman-based compressive sampling

Nicolas Chauffert, Philippe Ciuiu외 2명|arXiv (Cornell University)|2013. 02. 06.

Sparse and Compressive Sensing Techniques참고 문헌 5인용 수 3

한 줄 요약

이 논문은 압축 감지에서 연속적인 샘플링 경로를 생성하기 위해 두 단계 방법을 제안한다. 첫 번째 단계로 수정된 밀도 π ∝ ˜π^(d/(d−1))에서 독립적으로 점을 추출하고, 두 번째 단계로는 여행하는 판매원 문제(TSP) 솔버를 통해 점들을 연결한다. 주요 이론적 기여는 이 접근 방식이 점점 더 큰 샘플 수에서 최적의 가변 밀도 분포 ˜π에서의 독립적 샘플링을 점차적으로 모방함으로써, 연속 경로를 따라야 하는 하드웨어 제약 조건이 있는 실세계 응용 분야에서도 재구성 성능을 유지할 수 있도록 한다.

ABSTRACT

Compressed sensing theory indicates that selecting a few measurements independently at random is a near optimal strategy to sense sparse or compressible signals. This is infeasible in practice for many acquisition devices that acquire samples along continuous trajectories (e.g., radial, spiral, ...). Examples include magnetic resonance imaging (MRI) or radiointerferometry. In this paper, we propose to generate continuous sampling trajectories by drawing a small set of measurements independently and joining them using a travelling salesman problem solver. Our contribution lies in the theoretical derivation of the appropriate probability density of the initial drawings. Preliminary computational results show that this strategy is as efficient as independent drawings while being implementable on real acquisition systems.

연구 동기 및 목표

• 압축 감지의 실세계 시스템에서 연속 경로를 따라 샘플링해야 하는 실용적 제약 조건(예: MRI 또는 전파 간섭계측에서의 경우)을 해결하기 위해.
• 이론적으로 최적의 샘플링 전략(가변 밀도 분포에서의 독립적 추출)과 물리적 실행 제약 조건 사이의 격차를 메우기 위해.
• 최종적으로 TSP 기반 경로가 최적의 분포 ˜π에서의 독립적 샘플링과 점차적으로 동일시되는 방식으로 초기 점 샘플링에 적합한 확률 밀도 π를 유도하기 위해.
• 2차원 MRI 환경에서의 방법 검증을 통해, 제약 조건이 없는 독립적 샘플링과 동일한 재구성 품질을 달성함을 보여주기 위해.

제안 방법

• 압축 감지에 최적인 가변 밀도 분포 ˜π일 때, 확률 밀도 π(x) ∝ ˜π(x)^(d/(d−1))에서 N개의 초기 샘플링 점을 독립적으로 추출한다. 여기서 d는 공간 차원이다.
• N개의 샘플된 점에 대해 TSP를 풀어 총 경로 길이를 최소화함으로써 연속적인 샘플링 경로를 구성한다.
• TSP 해를 이용해 일정 속도로 매개변수화된 샘플링 곡선 γ_N: [0,1] → Ω를 정의하고, 이는 샘플링 도메인에 분포 ˜Π_N를 유도한다.
• 이론적 분석 결과, ˜Π_N는 확률적으로 목표 분포 ˜π(x) = π(x)^((d−1)/d) / ∫π((d−1)/d)dx로 수렴함을 보여, ˜π에서의 독립적 샘플링과 점차적으로 동일시됨을 보장한다.
• 스토케스틱 기하학과 TSP의 渐近적 성질 결과를 활용하여, TSP 경로의 경험적 측도가 목표 분포로 수렴함을 증명한다.
• 2차원 MRI에 적용: d=2일 때 π ∝ ˜π^2에 따라 k-스페이스 점을 추출하고, TSP를 적용해 연속 경로를 형성한 후 웨이블릿 기반 압축 감지로 재구성한다.

실험 결과

연구 질문

• RQ1 압축 감지에서 최적의 가변 밀도 분포에서의 독립적 샘플링을 점차적으로 모방할 수 있는 연속 샘플링 경로를 설계할 수 있는가?
• RQ2 TSP 경로가 최적의 ˜π와 동일한 분포를 유도하도록 하기 위해 초기 무작위 점 생성에 적합한 확률 밀도 π는 무엇인가?
• RQ3 MRI에서 재구성 품질 측면에서 TSP 기반 샘플링 전략은 표준 독립적 샘플링과 비교해 어떻게 되는가? 또한 ˜π에서의 TSP 기반 샘플링(예: ˜π에서의 TSP)과 비교해 어떻게 되는가?
• RQ4 TSP 경로의 경험적 분포가 목표 분포 ˜π로 수렴하는 이론적 수렴 속도는 무엇인가?
• RQ5 이 방법은 샘플링 경로의 최대 곡률 등의 추가 물리적 제약 조건을 통합하는 데 확장 가능한가?

주요 결과

• 제안된 방법은 원래 최적 밀도 ˜π에서의 단순 TSP 기반 샘플링 대비 신호 대 잡음비(SNR)에서 10 dB 향상된 성능을 달성한다.
• TSP 경로를 통해 π ∝ ˜π^(d/(d−1))에서 추출된 점을 사용한 재구성 품질은 ˜π에서의 제약 조건이 없는 독립적 샘플링과 동일하며, MRI 실험에서 SNR 34.1 dB를 기록한다.
• 이론적 분석을 통해 TSP 경로에 의해 유도된 경험적 분포가 N → ∞일 때 확률적으로 목표 분포 ˜π로 수렴함을 증명하였다.
• 이 방법은 MRI 스캐너와 같이 연속 경로를 따라야 하는 하드웨어 제약 조건이 있는 분야에서 가변 밀도 샘플링의 실용적 적용을 가능하게 한다.
• 핵심 통찰은 TSP 경로에 의해 발생하는 기하학적 왜곡을 보상하기 위해 초기 샘플링 밀도를 π ∝ ˜π^(d/(d−1))로 조정해야 한다는 점이다.
• 시뮬레이션 결과, d=2일 때 π ∝ ˜π^2에서 추출하고 TSP를 적용하면 최적에 근접한 성능을 달성하며, ˜π에서의 독립적 샘플링과 ˜π에서의 TSP 기반 샘플링 모두를 능가한다.