[論文レビュー] Performance Bounds for Sparse Signal Reconstruction with Multiple Side Information.

Huynh Van Luong, Jürgen Seiler+3 more|arXiv (Cornell University)|May 10, 2016

Sparse and Compressive Sensing Techniques参考文献 45被引用数 4

ひとこと要約

本稿では、複数の相関するサイド情報ソースを用いた適応的重み付き $n$-$\ell_1$ 最小化を用いてスパース信号を再構築するためのアルゴリズム RAMSI を提案する。理論的境界をより厳密に確立し、合成データおよび実世界のマルチビュー画像データにおいて、古典的手法および最先端手法よりも優れた性能を理論的・実践的に示している。

ABSTRACT

In the context of compressed sensing (CS), this paper considers the problem of reconstructing sparse signals with the aid of other given correlated sources as multiple side information. To address this problem, we theoretically study a generic extcolor{black}{weighted $n$-$\ell_{1}$ minimization} framework and propose a reconstruction algorithm that leverages multiple side information signals (RAMSI). The proposed RAMSI algorithm computes adaptively optimal weights among the side information signals at every reconstruction iteration. In addition, we establish theoretical bounds on the number of measurements that are required to successfully reconstruct the sparse source by using extcolor{black}{weighted $n$-$\ell_{1}$ minimization}. The analysis of the established bounds reveal that extcolor{black}{weighted $n$-$\ell_{1}$ minimization} can achieve sharper bounds and significant performance improvements compared to classical CS. We evaluate experimentally the proposed RAMSI algorithm and the established bounds using synthetic sparse signals as well as correlated feature histograms, extracted from a multiview image database for object recognition. The obtained results show clearly that the proposed algorithm outperforms state-of-the-art algorithms--- extcolor{black}{including classical CS, $\ell_1 ext{-}\ell_1$ minimization, Modified-CS, regularized Modified-CS, and weighted $\ell_1$ minimization}---in terms of both the theoretical bounds and the practical performance.

研究の動機と目的

• 圧縮センシングにおいて、複数の相関するサイド情報信号が利用可能な状況でのスパース信号再構築の課題に対処すること。
• 各反復において複数のサイド情報信号間の最適な重みを適応的に計算する再構築アルゴリズムの開発。
• 重み付き $n$-$\ell_1$ 最小化を用いた成功した再構築に必要な測定回数の理論的境界を確立すること。
• 古典的圧縮センシングおよび Modified-CS や重み付き $\ell_1$ 最小化といった既存の高度な手法に比べ、顕著な性能向上を実証すること。

提案手法

• 複数のサイド情報信号をスパース信号再構築に統合するための汎用的な重み付き $n$-$\ell_1$ 最小化フレームワークを提案する。
• ターゲット信号との相関に基づき、各サイド情報信号の重みを反復的に適応的に最適化する RAMSI アルゴリズムを設計する。
• 重み付き $n$-$\ell_1$ 最小化フレームワークを用いた成功した再構築に必要な測定回数の理論的境界を導出する。
• 凸最適化の定式化を用いて再構築問題を解き、サイド情報は重み付き $\ell_1$-ノルム正則化を通じて統合する。
• 各再構築ステップで重みの割り当てを段階的に改善するためのグリーディな反復スキームを採用する。
• オブジェクト認識のためのマルチビュー画像データベースから抽出した相関する特徴ヒストグラムと合成スパース信号の両方で、手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 複数のサイド情報信号を効果的に活用することで、圧縮センシングにおけるスパース信号の再構築精度を向上させることができるか？
• RQ2 測定回数の観点から、重み付き $n$-$\ell_1$ 最小化は古典的 $\ell_1$ 最小化に比べてどのように異なるか？
• RQ3 複数のサイド情報ソースを用いた成功した再構築に必要な測定回数の理論的境界は何か？
• RQ4 RAMSI の適応的重み計算戦略は、固定重みまたは非重み付きアプローチに比べて実際の応用で優れた性能を示すか？
• RQ5 実世界の応用において、RAMSI は Modified-CS や重み付き $\ell_1$ 最小化といった最先端アルゴリズムに比べてどのように性能を発揮するか？

主な発見

• 提案された重み付き $n$-$\ell_1$ 最小化フレームワークは、古典的圧縮センシングに比べて、必要な測定回数に関するより鋭い理論的境界を達成している。
• 理論的境界および実際の再構築精度の両面で、古典的 $\ell_1$ 最小化、$\ell_1$-$\ell_1$ 最小化、Modified-CS、正則化付き Modified-CS、重み付き $\ell_1$ 最小化を大幅に上回る性能を RAMSI が示している。
• RAMSI の適応的重み計算により、サイド情報の相関構造に応じて動的に重みを調整することで、再構築性能が向上している。
• 合成信号およびマルチビュー画像の特徴ヒストグラムに対する実験結果から、RAMSI はより少ない測定回数で高い再構築精度を達成していることが確認された。
• 理論的分析から、複数のサイド情報信号を組み込むことで、特に信号同士の相関が強い場合に測定の複雑さが低減することが明らかになった。
• 性能向上は、ターゲット信号とサイド情報源との間に強い相関がある状況で最も顕著に現れた。