[논문 리뷰] UNO: Unlimited Sampling Meets One-Bit Quantization

Arian Eamaz, Kumar Vijay Mishra외 2명|arXiv (Cornell University)|2022. 12. 10.

Sparse and Compressive Sensing Techniques인용 수 5

한 줄 요약

이 논문은 높은 동적 범위와 고속 샘플링을 달성하기 위해 무한 샘플링과 일비 양자화를 결합한 새로운 일비 샘플링 프레임워크인 UNO를 제안한다. 신호-임계값 거리 정보를 저장하고, 잡음이 없는 복원에 랜덤화된 카츠마르츠 알고리즘(RKA)을, 잡음이 있는 복원에 PnP-ADMM를 사용함으로써, 기존 방법보다 낮은 복잡도로 정확한 신호 복원을 가능하게 하며, 기존의 일비 ΣΔ 샘플링을 능가한다.

ABSTRACT

Recent results in one-bit sampling provide a framework for a relatively low-cost, low-power sampling, at a high rate by employing time-varying sampling threshold sequences. Another recent development in sampling theory is unlimited sampling, which is a high-resolution technique that relies on self-reset ADCs to yield an unlimited dynamic range. In this paper, we leverage the appealing attributes of the two aforementioned techniques to propose a novel \emph{un}limited \emph{o}ne-bit (UNO) sampling approach. In this framework, the information on the distance between the input signal value and the threshold are stored and utilized to accurately reconstruct the one-bit sampled signal. We then utilize this information to accurately reconstruct the signal from its one-bit samples via the randomized Kaczmarz algorithm (RKA); a strong linear feasibility solver that selects a random linear equation at each iteration. In the presence of noise, we employ the recent plug-and-play (PnP) priors technique with alternating direction method of multipliers (ADMM) to exploit integration of state-of-the-art regularizers in the reconstruction process. Numerical experiments with RKA and PnP-ADMM-based reconstruction illustrate the effectiveness of our proposed UNO, including its superior performance compared to the one-bit Sigma-Delta sampling.

연구 동기 및 목표

• 기존 일비 및 무한 샘플링의 한계를 해결하기 위해 고속 샘플링과 무한 동적 범위의 장점을 융합한다.
• 표준 일비 샘플링에서의 진폭 정보 손실을 보완하기 위해 시간에 따라 변화하는 임계값과 신호-임계값 거리 데이터를 활용한다.
• 잡음과 다양한 시스템 조건에서도 높은 정확도를 유지하면서 낮은 복잡도의 복원 프레임워크를 개발한다.
• 자기 리셋 기능을 갖춘 일비 ADC를 사용하여 실용적이고 저전력, 고속의 신호 캡처를 가능하게 한다.

제안 방법

• 자기 리셋 ADC를 사용하여 무한 동적 범위 샘플링을 가능하게 하는 UNO 프레임워크를 도입한다.
• 시간에 따라 변화하는 샘플링 임계값을 활용하고, 신호 값과 임계값 사이의 거리를 저장하여 진폭 정보를 유지한다.
• 일비 샘플로부터 대역제한 신호를 효율적이고 반복적으로 복원하기 위해 랜덤화된 카츠마르츠 알고리즘(RKA)을 사용한다.
• 대안적 방식의 다중변수 방법(ADMM)을 사용하여 최신 정규화 기법을 통합하여 잡음이 있는 복원에 활용한다.
• 복원 정확도에 대한 이론적 조건을 유도하며, 잡음과 신호 동역학에 따라 달라지는 오버샘플링 요구 조건을 포함한다.
• 다양한 잡음 수준에서 과다 결정계수 및 과소 결정계수 시스템을 사용한 수치 실험을 통해 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 신호와 임계값 사이의 거리 정보를 통합함으로써 일비 샘플링이 무한 동적 범위를 달성할 수 있는가?
• RQ2 고정 임계값 대비 시간에 따라 변화하는 임계값을 사용할 경우, 신호 복원 정확도는 어떻게 향상되는가?
• RQ3 오버샘플링 요구 조건과 함께, UNO의 이론적 성능 한계는 복원 오차 측면에서 어떻게 평가되는가?
• RQ4 최신 정규화 기법을 갖춘 PnP-ADMM는 UNO에서 잡음이 많은 일비 샘플을 효과적으로 처리할 수 있는가?
• RQ5 복원 정확도와 복잡도 측면에서 UNO는 전통적인 일비 ΣΔ 및 기타 최신 샘플링 기법과 비교해 어떻게 성능을 냅니다?

주요 결과

• UNO는 일비 ΣΔ 샘플링보다 뛰어난 복원 성능을 보이며, 잡음 분산 σ²=0.1 조건에서 과다 결정계수 시스템에서 노이즈 대 진폭 비율(NMSE)이 -48.294 dB을 기록한다.
• 과소 결정계수 시스템에서도 동일한 조건에서 NMSE가 -38.128 dB을 기록하여 시스템 차원에 대한 강건성을 입증한다.
• 잡음 분산이 0.1에서 0.01으로 감소함에 따라 과다 결정계수 시스템에서 NMSE가 -56.815 dB로 향상되어 강력한 잡음 내성 성능을 보인다.
• 이론적 분석을 통해 복원 오차는 오버샘플링 인자와 임계값 설계에 따라 달라지며, RKA 수렴을 통해 명시적 경계가 도출된다.
• 최신 사전 정보와 함께 PnP-ADMM를 통합함으로써 고잡음 및 과소 결정계수 환경에서도 효과적인 디노이징과 정확한 복원이 가능하다.
• 자기 리셋 ADC와 임계값 거리 추적을 통해 저전력, 저복잡도의 일비 ADC를 사용하면서도 고속 샘플링과 무한 동적 범위를 유지할 수 있다.