[논문 리뷰] Using Correlated Subset Structure For Compressive Sensing Recovery

Atul Divekar, Deanna Needell|arXiv (Cornell University)|2013. 02. 16.

Sparse and Compressive Sensing Techniques참고 문헌 15인용 수 3

한 줄 요약

이 논문은 초해상도와 같은 물리적 영상 촬영 과정에서 발생하는 측정 행렬의 상관 구조를 활용하는 새로운 압축 센싱 복원 알고리즘을 제안한다. 웨이브릿 계수를 트리 구조로 그룹화하고 합 기반 선택 기준을 사용하여, 비제로 계수들이 공간적으로 일관된 웨이브릿 트리에 집중되어 있을 경우 기존의 $β$-최소화보다 복원 정확도를 향상시킨다.

ABSTRACT

Compressive sensing is a methodology for the reconstruction of sparse or compressible signals using far fewer samples than required by the Nyquist criterion. However, many of the results in compressive sensing concern random sampling matrices such as Gaussian and Bernoulli matrices. In common physically feasible signal acquisition and reconstruction scenarios such as super-resolution of images, the sensing matrix has a non-random structure with highly correlated columns. Here we present a compressive sensing recovery algorithm that exploits this correlation structure. We provide algorithmic justification as well as empirical comparisons.

연구 동기 및 목표

• 이미지 초해상도와 같은 물리적 촬영 제약 조건으로 인해 측정 행렬의 열 간 강한 내부 상관성이 나타날 때 압축 센싱 복원의 과제를 해결한다.
• 제한된 이sovometry 성질(Restricted Isometry Property, RIP)을 위반하는 비랜덤이고 상관성이 있는 측정 행렬 상황에서 표준 $β$-최소화 및 CoSaMP의 한계를 극복한다.
• 이미지 신호의 웨이브릿 계수에 내재된 트리 구조적 상관성을 활용하여 신호 복원 정확도를 향상시킨다.
• 선택된 계수 집합의 정확도를 높이기 위해 부분별 상관 패턴을 활용하는 실용적인 복원 알고리즘을 개발하고 검증한다.
• 희박한 신호 복원에서 비제로 계수를 포함한 웨이브릿 트리를 식별하기 위한 합 기반 추정기의 효과성을 입증한다.

제안 방법

• 측정 행렬 열의 부분 집합만을 역행렬화하여 초기 추정기의 노이즈를 줄이는 수정된 CoSaMP 버전인 부분 역행렬화(PartInv) 알고리즘을 도입한다.
• 측정 행렬 $Φ = SH\Psi$의 열을 공간적으로 일관된 웨이브릿 트리 부분집합으로 그룹화하며, 각 부분집합 내의 열들은 겹치는 공간적 지원으로 인해 높은 상관성을 가진다.
• 각 웨이브릿 트리 $I$에 대해 강도 추정기 $s_I = \sum_{j \in I} |\hat{c}_j|$ 를 정의하여, 복원에 가장 유망한 부분집합을 순위 매기고 선택한다.
• 선택된 부분집합 $I^{(k)}$ 에서 최소 제곱 문제를 풀어 지지 집합 추정을 반복적으로 개선하고, 잔차를 갱신하며 새로운 상관 구조 인식 선택을 수행한다.
• 잔차 감소와 지지 집합 추정의 수렴을 기반으로 반복 과정을 종료하는 정지 조건을 설정한다.
• 실제 광학 측정을 시뮬레이션하기 위해 다우벡스-5 웨이브릿 기저와 블러링 필터를 사용하여 2차원 영상 패치에 적용하며, 기저 패턴의 복제를 통해 서브샘플링 패턴을 생성한다.

실험 결과

연구 질문

• RQ1 이미지의 웨이브릿 기반 표현에서 내재된 트리 구조적 상관성을 활용함으로써 압축 센싱 복원 성능을 크게 향상시킬 수 있는가?
• RQ2 측정 행렬이 상관성이 있는 열 부분집합을 가질 경우, $β$-최소화와 비교해 복잡한 CoSaMP 알고리즘(PartInv)의 성능은 어떠한가?
• RQ3 웨이브릿 트리 에너지의 합 기반 추정기는 표준 임계값 처리에 비해 비제로 계수 집합의 선택에 얼마나 효과적인가?
• RQ4 이중화된 샘플링 조건, 예를 들어 이미지 초해상도에서의 다운샘플링과 블러링 조건에서도 제안된 방법이 높은 복원 정확도를 유지하는가?
• RQ5 측정 행렬이 강한 열 상관성으로 인해 제한된 이sovometry 성질(Restricted Isometry Property, RIP)을 만족하지 못할 경우, 알고리즘이 안정적이고 정확한 복원을 수행할 수 있는가?

주요 결과

• 합 기반 추정기를 사용하는 제안된 PartInv 알고리즘은 특히 상관성이 있는 열 부분집합이 존재하는 상황에서 표준 $β$-최소화에 비해 복원 성능을 크게 향상시킨다.
• 샘플링 비율 $\delta = \frac{2}{16}$ 에서 $\frac{14}{16}$ 까지의 범위에서, 비제로 계수들이 웨이브릿 트리에 집중되어 있을 경우 $\frac{1}{N}\|c - \hat{c}\|^2 < 10^{-5}$ 기준으로 복원 성공률가 90% 이상을 기록한다.
• 합 추정기 $s_I = \sum_{j \in I} |\hat{c}_j|$ 는 중요한 계수를 포함한 웨이브릿 트리를 효과적으로 식별하며, 단순 임계값 처리에 비해 관련 지지 집합 선택에서 뛰어난 성능을 보인다.
• 측정 행렬의 노이즈와 구조적 상관성에 대해 알고리즘이 강건성을 유지하며, $\Phi = SH\Psi$ 가 제한된 이sovometry 성질을 위반하더라도 성능이 유지된다.
• 실험 결과에 따르면, 저통과 필터를 통해 필터링된 공간적으로 겹치는 웨이브릿 원자들에서 유래하는 $\Phi$ 의 상관 구조는 복원 정확도 향상에 효과적으로 활용될 수 있다.
• 샘플링 비율 $M/N = 14/16$ 에서도 높은 복원 정밀도를 달성하여, 이미지 초해상도 환경에서 고압축 비율에서도 뛰어난 성능을 보임을 시사한다.