Unrolled Compressed Blind-Deconvolution

要約

スパース マルチチャネル ブラインド デコンボリューション (S-MBD) の問題は、レーダー/ソナー/超音波イメージングなどの多くのエンジニアリング アプリケーションで頻繁に発生します。
計算コストと実装コストを削減するために、時間内に完全な受信信号に関してはるかに少ない測定値からブラインド回復を可能にする圧縮方法を提案します。
提案された圧縮では、サブサンプリングが後に続くフィルターを通して信号を測定するため、実装コストの大幅な削減が可能になります。
私たちは、圧縮された測定値からスパース フィルターの識別可能性と復元に関する理論的な保証を導き出します。
私たちの結果により、幅広いクラスの圧縮フィルターの設計が可能になります。
次に、圧縮フィルターを学習して S-MBD 問題を解決するためのデータ駆動型アンロール学習フレームワークを提案します。
エンコーダは、圧縮された測定値をスパース フィルターの推定値にマッピングする再帰型推論ネットワークです。
私たちのアンロール学習方法は、最適化ベースの方法と比較して、ソース形状の選択に対してより堅牢であり、回復パフォーマンスが優れていることを示します。
最後に、データが限定されたアプリケーション (少数ショット学習) では、従来の深層学習と比較してアンロール学習の優れた汎化能力を強調します。

要約(オリジナル)

The problem of sparse multichannel blind deconvolution (S-MBD) arises frequently in many engineering applications such as radar/sonar/ultrasound imaging. To reduce its computational and implementation cost, we propose a compression method that enables blind recovery from much fewer measurements with respect to the full received signal in time. The proposed compression measures the signal through a filter followed by a subsampling, allowing for a significant reduction in implementation cost. We derive theoretical guarantees for the identifiability and recovery of a sparse filter from compressed measurements. Our results allow for the design of a wide class of compression filters. We, then, propose a data-driven unrolled learning framework to learn the compression filter and solve the S-MBD problem. The encoder is a recurrent inference network that maps compressed measurements into an estimate of sparse filters. We demonstrate that our unrolled learning method is more robust to choices of source shapes and has better recovery performance compared to optimization-based methods. Finally, in data-limited applications (fewshot learning), we highlight the superior generalization capability of unrolled learning compared to conventional deep learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google