다채널 압축 센싱을 위한 숲 희소성 모델

초록

본 논문은 각 채널이 트리 구조의 희소성을 갖고, 채널 간에 높은 상관성을 보이는 다채널 데이터에 대해 ‘숲 희소성(forest sparsity)’이라는 새로운 모델을 제안한다. 이 모델은 기존 트리 희소성, 공동 희소성, 표준 희소성보다 더 적은 측정 횟수 O(Tk+log(N/k))를 보장한다. 또한 블록 대각형 측정 행렬을 사용하는 다중 측정 벡터(MMV) 상황에서도 동일한 측정 한계를 달성한다. 이론적 분석과 함께 제안된 알고리즘을 영상 복원, MRI, 라이다 등 네 가지 응용에 적용해 성능·효율성을 입증하였다.

상세 분석

논문은 먼저 기존 모델 기반 압축 센싱 이론을 리뷰하고, 다채널 데이터가 각각 트리 구조를 이루면서도 채널 간에 강한 상관관계를 가질 경우 전체 데이터는 ‘숲’이라는 복합 구조를 형성한다는 직관을 제시한다. 이를 수학적으로 정의하기 위해 각 채널 (x^{(t)}\in\mathbb{R}^N)을 (k)-희소 트리 구조로 제한하고, 모든 채널의 트리 루트가 동일하거나 인접한 노드에 매핑된다는 가정을 둔다. 이렇게 하면 전체 벡터 (\mathbf{x}=