[論文レビュー] Stable Signal Recovery from Incomplete and Inaccurate Measurements

Emmanuel J. Candès, Justin Romberg+1 more|ArXiv.org|Mar 3, 2005

Sparse and Compressive Sensing Techniques参考文献 14被引用数 14

ひとこと要約

この論文は、信号次元よりもはるかに少ない測定数であっても、ℓ₁-最小化を用いることで、不完全でノイズの混入した測定からスパース信号を安定して回復できることを確立している。主な結果は、測定行列が十分に小さい定数を有する制限付き等長性性質（RIP）を満たしていれば、再構成誤差がノイズレベルの定数倍で抑えられることを示している。

ABSTRACT

Suppose we wish to recover an n-dimensional real-valued vector x_0 (e.g. a digital signal or image) from incomplete and contaminated observations y = A x_0 + e; A is a n by m matrix with far fewer rows than columns (n << m) and e is an error term. Is it possible to recover x_0 accurately based on the data y? To recover x_0, we consider the solution x* to the l1-regularization problem min \|x\|_1 subject to \|Ax-y\|_2 <= epsilon, where epsilon is the size of the error term e. We show that if A obeys a uniform uncertainty principle (with unit-normed columns) and if the vector x_0 is sufficiently sparse, then the solution is within the noise level \|x* - x_0\|_2 \le C epsilon. As a first example, suppose that A is a Gaussian random matrix, then stable recovery occurs for almost all such A's provided that the number of nonzeros of x_0 is of about the same order as the number of observations. Second, suppose one observes few Fourier samples of x_0, then stable recovery occurs for almost any set of p coefficients provided that the number of nonzeros is of the order of n/[\log m]^6. In the case where the error term vanishes, the recovery is of course exact, and this work actually provides novel insights on the exact recovery phenomenon discussed in earlier papers. The methodology also explains why one can also very nearly recover approximately sparse signals.

研究の動機と目的

• 測定が不完全でノイズによって汚されている状況下でのスパース信号の回復という課題に取り組む。
• 測定誤差が存在する状況下でもℓ₁-最小化が安定した回復を提供する理論的条件を確立する。
• スパース信号に対する正確な回復結果を、ノイズと不完全な観測という現実的な状況に拡張する。
• 測定数が信号次元よりもはるかに少ない場合でも、安定した回復が可能であることを示す。
• スパース信号および可縮信号に対する理論的分析と数値実験を通じて、ℓ₁-最小化のロバスト性を検証する。

提案手法

• ノイズレベルをεで上限とするℓ₂ノルム制約を用いた、ℓ₁-最小化問題としての回復問題を定式化：‖x‖₁を最小化、条件は‖Ax − y‖₂ ≤ ε。
• 測定行列Aの特性を特徴付けるために、制限付き等長性定数δ_Sを用いた制限付き等長性性質（RIP）を導入する。
• δ₃ₛ + 3δ₄ₛ < 2 が成り立つならば、ℓ₁-最小化問題の解は、ℓ₂ノルムにおいて真の信号からO(ε)の距離内に収束することを確立する。
• ガウス分布に従うランダム行列やフーリエサンプリングに対して理論を適用し、それぞれ信号のスパース度がO(n)およびO(n / (log m)^6)まで安定回復が可能であることを示す。
• 勾配のスパarsityを利用するために、ℓ₁-最小化を全変動（TV）最小化に置き換えることで、画像回復へのフレームワークの拡張を実施する。
• 実用的な点で凸最適化問題を効率的に解くために、2次錐プログラミング（SOCP）を用いる。

実験結果

リサーチクエスチョン

• RQ1 凸最適化を用いて、不完全でノイズの混入した測定からスパース信号を安定して回復できるか？
• RQ2 測定行列Aにどのような条件が課されれば、ℓ₁-最小化がノイズレベルに比例する誤差で安定した回復を実現するか？
• RQ3 信号のスパース度と測定行列の構造は、回復の安定性と精度にどのように影響するか？
• RQ4 ℓ₁-最小化フレームワークを、正確にスパースでない信号や勾配がスパースな画像などの他の信号モデルへ拡張できるか？
• RQ5 不完全でノイズのある測定から画像を回復する際の全変動最小化の理論的性能保証は何か？

主な発見

• ℓ₂ノルムにおけるℓ₁-最小化問題の解は、真の信号からC_S · εの距離内に収束する。ここでεはノイズエネルギーの上限を表す。
• ガウスランダム行列の場合、信号に非ゼロ係数が測定数nのオーダーで存在する限り、安定回復が可能である。
• フーリエサンプリングの場合、非ゼロ係数の数がO(n / (log m)^6)まで安定回復が成立し、これはほぼ最適である。
• 測定行列が非常に不十分（n ≪ m）であっても、回復誤差はノイズレベルの定数倍で抑えられ続ける。
• 数値結果により、画像ではTVベースの回復がℓ₁ベースの回復を上回り、より低い再構成誤差と少ないアーチファクトを達成している。
• 理論的保証は可縮信号へも拡張され、信号が正確にスパースでなくても近似的に最適な回復が可能であることが示された。