[논문 리뷰] Sparsity and Parallel Acquisition: Optimal Uniform and Nonuniform Recovery Guarantees

Il Yong Chun, Chen Li외 1명|arXiv (Cornell University)|2016. 03. 25.

Sparse and Compressive Sensing Techniques참고 문헌 6인용 수 4

한 줄 요약

이 논문은 다양한 센서 프로파일 행렬을 가진 다중 센서 압축 측정에서 압축 가능 신호에 대한 최적의 균일 및 비균일 복원 보장을 수립한다. 센서는 동일하거나 서로 다른 측정 행렬을 사용할 수 있다. 이는 측정 수가 희박성 $ s $ 에 대해 선형으로 증가하고 센서 수 $ C $ 와 독립적으로 유지될 경우, 특히 동일한 측정 조건에서 희박하고 분산된 신호 모델에서 최적의 복원이 가능하다는 것을 증명한다.

ABSTRACT

The problem of multiple sensors simultaneously acquiring measurements of a single object can be found in many applications. In this paper, we present the optimal recovery guarantees for the recovery of compressible signals from multi-sensor measurements using compressed sensing. In the first half of the paper, we present both uniform and nonuniform recovery guarantees for the conventional sparse signal model in a so-called distinct sensing scenario. In the second half, using the so-called sparse and distributed signal model, we present nonuniform recovery guarantees which effectively broaden the class of sensing scenarios for which optimal recovery is possible, including to the so-called identical sampling scenario. To verify our recovery guarantees we provide several numerical results including phase transition curves and numerically-computed bounds.

연구 동기 및 목표

• 다중 센서를 통한 압축 측정을 통해 획득한 압축 가능 신호에 대한 최적의 복원 보장을 수립하기 위해.
• 센서가 서로 다른 또는 동일한 측정 행렬을 사용할 수 있는 다중 센서 시스템에서의 별개 및 동일한 측정 조건을 분석하기 위해.
• 희박하고 분산된 신호 모델로 복원 이론을 확장하여, 동일한 측정 조건과 같은 도전적인 상황으로의 적용 범위를 넓히기 위해.
• 단계 전이 곡선과 수치적으로 계산된 복원 임계값을 사용하여 이론적 경계를 검증하기 위해.
• 측정 수가 희박성 $ s $ 에 대해 선형으로 증가하고 센서 수 $ C $ 와 독립적으로 유지됨을 보여주어 병렬 측정의 이점을 확인하기 위해.

제안 방법

• 다중 센서 압축 측정 모델 $ y = Ax + e $ 를 수립하며, 여기서 $ A $ 는 개별 센서 측정 행렬 $ A_c = \tilde{A}_c H_c $ 의 블록 행렬이다. $ H_c $ 는 센서 프로파일을 나타낸다.
• 어려운 동일한 측정 조건에서 복원 보장을 가능하게 하기 위해 희박하고 분산된 신호 모델을 도입한다. 이 경우 모든 센서가 동일한 $ \tilde{A} $ 를 사용한다.
• 비균일 및 균일 복원 보장을 확보하기 위해, 비호환 센서 프로파일 하에서 제한된 이sovolumetric 성질(RIP)의 확률적 분석을 수행한다.
• 센서 프로파일 행렬 $ V $ 의 일관성 $ \mu(V) $ 를 정의하고, $ \mu(V) \lesssim C^{-1} $ 이면 복원이 최적임을 보여준다. 이는 복원이 복원의 희박성에 대해 선형으로 증가하고 $ C $ 와 독립적임을 보장한다.
• 동일한 측정 조건에서 복원 성능을 측정하기 위해 $ \Upsilon_{\text{idt}} $ 를 도입한다. $ D = C $ 일 때 $ \Upsilon_{\text{idt}} $ 가 유계이면 최적의 복원이 가능하다는 것을 보여준다.
• 노이즈 제약 조건 $ \|Az - y\|_2 \leq \eta $ 하에서 기저 추적을 $ \ell_1 $-최소화와 함께 사용하고, $ \sigma_s(x)_1 $ (최적의 $ \ell_1 $-근사 오차) 를 사용하여 복원 오차의 경계를 유도한다.

실험 결과

연구 질문

• RQ1 임의의 센서 프로파일 행렬을 가진 다중 센서 압축 측정에서 최적의 복원 보장을 수립할 수 있는가?
• RQ2 모든 센서가 동일한 측정 행렬을 사용하는 동일한 측정 조건에서, 희박하고 분산된 신호 모델 하에서 최적의 복원이 가능한가?
• RQ3 센서 프로파일 행렬에 어떤 조건이 필요하여, 센서당 측정 수가 희박성 $ s $ 에 대해 선형으로 증가하고 $ C $ 와 독립적으로 유지되는가?
• RQ4 비균일 측정 조건에서 센서 프로파일 행렬의 일관성 $ \mu(V) $ 는 복원 성능에 어떤 영향을 미치는가?
• RQ5 수치적 단계 전이 곡선이 이론적 복원 경계를 검증할 수 있는가? 특히 동일한 측정 조건에서의 성능을 검증할 수 있는가?

주요 결과

• 비균일 복원이 최적임을 입증한다. $ s $-희박 벡터에 대해 복원이 가능하며, 센서 프로파일 행렬 $ V $ 가 비호환일 경우, 즉 $ \mu(V) \lesssim C^{-1} $ 이면, 측정 수가 $ s $ 에 대해 선형으로 증가하고 $ C $ 와 독립적으로 유지된다.
• 동일한 비호환 조건 하에서 복원의 균일 보장을 신규로 수립한다. 이는 모든 $ s $-희박 신호에 대해 복원의 강건성을 보장한다.
• 동일한 측정 조건에서, $ D = C $ 일 때 희박하고 분산된 신호 모델 하에서 최적의 비균일 복원이 증명된다. 이 경우 $ C $ 가 증가함에 따라 $ \Upsilon_{\text{idt}} $ 는 유계로 유지된다.
• 수치 결과는 $ D = C $ 일 때 $ \Upsilon_{\text{idt}} $ 가 $ C $ 와 함께 증가하지 않음을 보여주며, 이는 센서당 측정 수가 $ C $ 가 증가함에 따라 감소함을 의미한다. 이는 병렬 측정의 이점이 실제로 존재함을 확인한다.
• 다양한 및 동일한 측정 조건에서 원형 센서 프로파일에 대한 단계 전이 곡선은 $ C $ 가 증가함에 따라 복원 성능이 향상됨을 보여주며, 이는 이론적 예측과 일치한다.
• 고정된 $ r_1 + r_2 $ 를 가진 띠형 센서 프로파일에 대해서도, 비균일 및 동일한 측정 조건 모두에서 최적의 복원이 달성된다. 이는 1차원 pMRI에서 코ils의 국소적 감도를 가진 실용적 상황에서 이론의 타당성을 검증한다.