[論文レビュー] Deconvolution in white noise with a random blurring function

Thomas Willer|arXiv (Cornell University)|May 9, 2005

Image and Signal Denoising Methods参考文献 28被引用数 8

ひとこと要約

この論文は、ぼかし関数が確率的である白 noise におけるデコンボリューションを研究し、周期的Besov球上の$L^p$リスクにおけるミニマックスレートを確立する。著者らは、対数要因を除いてこれらのレートを達成する適応的ウェーブレットベース推定量を提案し、理論的保証とシミュレーションを通じて、不適切な定式化とフィルタ分布が推定効率に与える影響を示している。

ABSTRACT

We consider the problem of denoising a function observed after a convolution with a random filter independent of the noise and satisfying some mean smoothness condition depending on an ill posedness coefficient. We establish the minimax rates for the Lp risk over balls of periodic Besov spaces with respect to the level of noise, and we provide an adaptive estimator achieving these rates up to log factors. Simulations were performed to highlight the effects of the ill posedness and of the distribution of the filter on the efficiency of the estimator.

研究の動機と目的

• 測定システムにおける現実世界の不確実性を反映するように、ぼかし作用素が確定的ではなく確率的である逆問題に対処すること。
• 白 noise における確率的畳み込み下で、周期的Besov関数クラス上の$L^p$リスクのミニマックス収束レートを導出すること。
• これらのミニマックスレートを対数要因を除いて達成する適応的ウェーブレットベース推定量を構築すること。
• 不適切な定式化係数と確率的ぼかし関数の分布が推定性能に与える影響を分析すること。

提案手法

• 観測されたノイズあり畳み込みデータから元の関数を推定するために、ウェーブレット-ぼんやりしたベクトル分解とガラーキン射影法を用いる。
• ノイズレベル$\sigma_j$と標本サイズ$n$に依存するしきい値を用いて、ウェーブレット係数$\hat{\beta}_{j,k}$に基づくハードしきい値推定量$\hat{f}_n$を定義する。
• $L^\rho$リスクとmaxiset空間$l_{r,\infty}(\mu) \cap A(c_n^{\rho-r})$への属性との等価性を確立し、リスクの挙動を関数の正則性に関連付ける。
• バイアスとバリアンスのバランスを保つために、最適な分解能レベル$j_1$としきい値パラメータ$\eta$の選択を導出することで、適応性を保証する。
• Johnstoneら(2004)およびKerkyacharianら(2004)の結果を応用し、ウェーブレット係数およびぼかし関数に関する条件を検証する。
• Besov空間における補間および埋め込みの議論を用いて、滑らかさおよび可積分性のスパース、正則、臨界の各ケースを扱う。

実験結果

リサーチクエスチョン

• RQ1 ぼかし関数がノイズとは独立に確率的である場合のデコンボリューションにおけるミニマックス$L^p$リスクレートは何か？
• RQ2 不適切な定式化係数$\nu$は推定手順の収束レートにどのように影響するか？
• RQ3 確率的ぼかしの下で、適応的ウェーブレットベース推定量が対数要因を除いてミニマックスレートに達成可能か？
• RQ4 確率的ぼかし関数の分布が推定効率を決定づける役割を果たすか？
• RQ5 滑らかさおよび可積分性パラメータ$(s, p, q)$の違いが達成可能な収束レートに与える影響は何か？

主な発見

• 周期的Besov空間における$f$の推定のミニマックス$L^\rho$リスクは、$c_n = \sqrt{\log(n)^{(\alpha+1)/\alpha}/n}$として、$c_n^{\rho - r}$のオーダーである。ここで$r$は滑らかさ$s$、可積分性$p$、ぼかしパラメータ$\nu$に依存する。
• 提案されたウェーブレットベース推定量$\hat{f}_n^D$は、対数要因を除いてミニマックスレートを達成する。このレートは、滑らかさ$s$、可積分性$p$、不適切な定式化$\nu$の相互作用によって決定される。
• 適切な条件下で、$M(s,p,q,R) \subset l_{r,\infty}(\mu) \cap A(c_n^{\rho - r})$が成り立つ。これはmaxisetが最悪ケースのリスク行動を正しく捉えていることを確認する。
• スパースケースでは、推定量はレート$\lambda^{-r}$を達成し、$r = \rho - 2\rho(s - 1/p + 1/\rho)/(2s + 2\nu + 1 - 2/p)$を満たす。これはスパarsityの影響を反映している。
• 臨界ケース$\frac{2s + 2\nu + 1}{\rho} = \frac{2\nu + 1}{p}$では、レートは$\lambda^{-p}$となり、$r = p$となる。これは境界の鋭さを示している。
• シミュレーションにより、不適切な定式化係数$\nu$と確率的フィルタの分布が推定性能に顕著な影響を与えることが確認され、$\nu$が大きいほど収束が遅くなる。