Core Concepts
압축 센싱 이론을 확장하여 일반적인 선형 역문제에 대한 표본 복잡도를 분석하고, 이를 바탕으로 희소 각도 라돈 변환 문제에 대한 엄밀한 복구 보장을 제공한다.
Abstract
이 논문은 압축 센싱 이론을 일반적인 선형 역문제에 확장하여 적용하는 방법을 제시한다.
먼저 일반적인 선형 역문제에 대한 표본 복잡도 결과를 도출한다. 이를 위해 일반화된 제한적 등장 성질(g-RIP)과 준 대각화 성질(quasi-diagonalization)이라는 개념을 도입한다. g-RIP는 기존의 제한적 등장 성질을 일반화한 것이며, 준 대각화 성질은 측정 연산자가 사전 기저에 대해 대략적으로 대각화되는 경우를 포착한다. 이러한 가정 하에서 표본 수와 신호의 희소성 사이의 관계를 밝힌다.
이를 바탕으로 희소 각도 라돈 변환 문제에 적용한다. 2차원 평면 상의 신호가 적절한 웨이블릿 사전에서 압축 가능하다고 가정할 때, 충분한 수의 각도에서 측정된 라돈 변환 샘플로부터 안정적으로 복구할 수 있음을 보인다. 구체적으로 샘플 수가 신호의 희소성에 비례함을 보인다.
또한 신호의 압축성과 역문제의 ill-posedness 정도에 따라 최적화된 복구 오차 추정치를 제공한다. 예를 들어 카툰 형태의 영상에 대해서는 노이즈 수준에 비례하는 복구 오차를 얻을 수 있음을 보인다.
Stats
신호의 희소성 s에 대해 필요한 샘플 수는 m ≳ s 이다.
복구 오차는 신호의 압축성과 역문제의 ill-posedness 정도에 따라 다음과 같이 최적화된다:
∥u† - û∥L2 ≤ c β^(2a/(2a+1))
∥u† - û∥L2 ≤ c (1/m)^(ap/(a+p))
Quotes
"압축 센싱 이론을 일반적인 선형 역문제에 확장하여 적용하는 방법을 제시한다."
"희소 각도 라돈 변환 문제에 적용하여 충분한 수의 각도에서 측정된 라돈 변환 샘플로부터 안정적으로 복구할 수 있음을 보인다."
"신호의 압축성과 역문제의 ill-posedness 정도에 따라 최적화된 복구 오차 추정치를 제공한다."