Compressive Sensing

噂の Compressive Sensing の講演資料（cs-tutorial-ITA-feb08-complete.pdf）をざっと斜め読み。正直よく分からんけど、L1 minimization とか、Total-variation となんら変わらない感じなんですが。

オレオレ解釈では　L1 だとか TV だとかの norm が小さくなるような空間に写像して、L1やTV optimization により信号を復元、逆写像により元の信号を復元するというのがエッセンスっぽい（自信なし）。写像先の空間での sensing が容易にできる場合には良さそうだ（sensing する空間と L1 とかで制約を課す空間は別で良いぽいけど）。そうじゃない場合は、Compressive Sensing というよりも、ただの写像して L1 や TV の最適化してるだけだよね。写像してL1、写像してL1、とか唱えてると良いアイデアが浮かぶかもね。

TVは凄いんだけど、ノイズが多くなってくるとTVだけではうまく収束しなくて、もう一歩賢い方法が欲しいよな。L1でのoptimizationを前提に問題を捉え直すと、sense すべき情報は変わってくるかもしれない（その辺に geometric なガイドラインを与えようとしているのかもしれんが、いまいち、、、）。深い意味も無く計算が速いからとL2を使ってる問題も、L1で考え直すと世界が開けるかもしれない。

時間がとれたら勉強しようと期待していた CS だが、ちらっと見た感じではいまいちな感じ。　L1 の面白さを再確認しましたけど。どうしようかな、もっとちゃんと勉強すべきかな、、。データ削減は良いけど、トータルの消費電力が増えるのは嫌だしな。HW的なギミックと Compressive Sensing がうまく嵌まれば面白そうだけど。