[논문 리뷰] Efficient Compressive Phase Retrieval with Constrained Sensing Vectors

Sohail Bahmani, Justin Romberg|arXiv (Cornell University)|2015. 07. 29.

Advanced X-ray Imaging Techniques참고 문헌 15인용 수 33

한 줄 요약

이 논문은 비균일한 하위공간에서 추출된 제약된 감지 벡터를 사용하여 희박 신호의 효율적이고 강건한 압축 측정 위상 복원을 위한 이단계 볼록 최적화 방법을 제안한다. 순차적인 노름 및 $\beta$-노름 최소화를 통한 저질서 및 희박 구조의 분리로, 최적의 샘플 복잡도를 갖는 $\mathsf{O}(k\log\frac{d}{k})$ 측정값을 통해 정확한 복원을 달성하며, 표준 가정 하에 노이즈에 강건함을 보장한다.

ABSTRACT

We propose a robust and efficient approach to the problem of compressive phase retrieval in which the goal is to reconstruct a sparse vector from the magnitude of a number of its linear measurements. The proposed framework relies on constrained sensing vectors and a two-stage reconstruction method that consists of two standard convex programs that are solved sequentially. In recent years, various methods are proposed for compressive phase retrieval, but they have suboptimal sample complexity or lack robustness guarantees. The main obstacle has been that there is no straightforward convex relaxations for the type of structure in the target. Given a set of underdetermined measurements, there is a standard framework for recovering a sparse matrix, and a standard framework for recovering a low-rank matrix. However, a general, efficient method for recovering a jointly sparse and low-rank matrix has remained elusive. Deviating from the models with generic measurements, in this paper we show that if the sensing vectors are chosen at random from an incoherent subspace, then the low-rank and sparse structures of the target signal can be effectively decoupled. We show that a recovery algorithm that consists of a low-rank recovery stage followed by a sparse recovery stage will produce an accurate estimate of the target when the number of measurements is $\mathsf{O}(k\,\log\frac{d}{k})$, where $k$ and $d$ denote the sparsity level and the dimension of the input signal. We also evaluate the algorithm through numerical simulation.

연구 동기 및 목표

• 최적의 샘플 복잡도를 갖는 효율적이고 강건한 희박 신호의 압축 위상 복원을 위한 방법의 부족을 해결하기 위해.
• 상승된 행렬 공식화에서 저질서 및 희박 구조를 동시에 복원하는 데 도전하는 문제를 극복하기 위해.
• 공간 빛 조절 장치나 산산이 흩어지는 매질을 사용하는 시스템과 같이 구조화된 조명을 갖는 시스템에서 실용적인 복원을 가능하게 하기 위해.
• 노이즈 및 희박성 제약 조건 하에서 복원 정확도에 대한 이론적 보장을 제공하기 위해.

제안 방법

• 이중단계 복원 프레임워크를 사용: 먼저 핵노름 최소화를 통해 저질서 행렬을 복원하고, 그 다음 $\ell_1$-최소화를 통해 희박 신호를 복원한다.
• 감지 벡터를 고정된 저차원 하위공간에서 추출하며, $\boldsymbol{a}_i = \boldsymbol{\varPsi}^T \boldsymbol{w}_i$로 표현되며, 여기서 $\boldsymbol{w}_i \sim \mathcal{N}(0, \boldsymbol{I})$이다.
• 희박한 신호 $\boldsymbol{x}^\star$를 질서 1의 행렬 $\boldsymbol{X}^\star = \boldsymbol{x}^\star \boldsymbol{x}^{\star T}$로 올려, 이차 측정값을 선형 측정값으로 변환한다.
• 선형 연산자 $\mathcal{A}$를 적용하여 $\boldsymbol{X}^\star$를 측정값 $\boldsymbol{y} = \mathcal{A}(\boldsymbol{X}^\star) + \boldsymbol{z}$로 매핑함으로써 볼록 복원을 가능하게 한다.
• 감지 모델 하에서 안정적인 복원을 보장하기 위해 $2k$-희박 벡터에 대한 제한된 등거리성 조건(RIP)을 적용한다.
• 투영 및 오차 경계 분석을 적용하여, 유한한 노이즈 하에서 최종 추정치가 진짜 신호로부터 $\mathsf{O}(\varepsilon / \sqrt{n})$ 이내에 있음을 보여준다.

실험 결과

연구 질문

• RQ1 구조화된 감지 벡터를 사용하여 희박 신호의 압축 위상 복원에서 최적의 샘플 복잡도를 달성할 수 있는가?
• RQ2 저질서 및 희박 복원 단계를 분리함으로써 노이즈 하에서 안정적이고 강건한 재구성가능한가?
• RQ3 감지 벡터가 하위공간에 제약될 때, 오직 $\mathsf{O}(k\log(d/k))$ 측정값으로도 복원 정확도를 보장할 수 있는가?
• RQ4 비균일 하위공간 감지의 선택이 위상 복원의 강건성과 정확도에 어떤 영향을 미치는가?
• RQ5 이 프레임워크는 이론적 보장을 유지하면서 비정규 분포 감지 벡터로도 확장 가능한가?

주요 결과

• 제안된 이중단계 방법은 정보 이론적 하한선에 맞는 $\mathsf{O}(k\log(d/k))$ 측정값을 사용하여 $k$-희박 신호의 정확한 복원을 달성한다.
• 복원 오차는 $\left\|\boldsymbol{E}_0 + \boldsymbol{E}_1\right\|_F \leq \frac{2C(1+\delta_{2k})\varepsilon}{\gamma\sqrt{n}}$로 유계이며, $\gamma > 0$이 되는 조건은 $\delta_{2k} < 0.216$일 때 성립하여 노이즈 하에서 안정성을 보장한다.
• 유한한 노이즈 $\left\|\boldsymbol{z}\right\|_2 \leq \varepsilon$에 대한 강건성을, 철저한 오차 전파 및 투영 분석을 통해 보장한다.
• 표준 가정 하에서 이론적 보장이 유지된다: $\boldsymbol{w}_i$가 정규분포, $2k$-희박 벡터에 대한 RIP, 그리고 유한한 노이즈.
• 수치 시뮬레이션은 방법의 정확성과 효율성을 확인하며, 이론적 샘플 복잡도와 강건성의 타당성을 검증한다.
• 이 프레임워크는 공간 빛 조절 장치나 산산이 흩어지는 매질을 사용하는 실용적인 영상 시스템에 적용 가능하다.