Un marco de adquisición y recuperación de señales que afirma que señales dispersas o compresibles pueden recuperarse a partir de muchas menos mediciones lineales de las que dicta el muestreo de Nyquist, diseñando operadores de medición incoherentes y resolviendo problemas de recuperación dispersa (minimización l1, búsquedas voraces o algoritmos combinatorios) que explotan la estructura de sparsidad de la señal.

Principio

Aprovechar sparsidad o compresibilidad: si la señal tiene una representación dispersa en alguna base y el operador de medición satisface incoherencia o propiedades de Restricted Isometry, entonces es posible una recuperación estable y robusta desde mediciones lineales submuestreadas promoviendo la sparsidad en la reconstrucción.

Demostración

Adquisición de un parche de imagen k-disperso con m<

Aplicación incorrecta

Diseñar mediciones que sean coherentes con la base de sparsidad (p. ej., muestrear siempre los mismos pocos vectores base) o aplicar recuperación basada en sparsidad cuando la señal no se aproxima bien por una representación dispersa, causando reconstrucciones pobres y confianza engañosa en datos submuestreados.

Consecuencia

Cuando las hipótesis se cumplen, el sensado comprimido reduce requerimientos de muestreo y almacenamiento y posibilita nuevos sistemas de adquisición (cámaras de píxel único, arquitecturas ADC sub-Nyquist) al trasladar la complejidad a la recuperación computacional, pero requiere diseño cuidadoso de mediciones y recursos computacionales para la reconstrucción.

Inversión

Muestreo clásico y reconstrucción: muestrear a la tasa de Nyquist o superior y reconstruir por inversión directa o interpolación sin aprovechar la sparsidad; esto requiere muchas más mediciones pero evita la necesidad de algoritmos de recuperación basados en sparsidad y la computación asociada.

Límite

Ámbito: señales que son exactamente dispersas o bien aproximables por representaciones dispersas en una base o diccionario conocido, con conjuntos de medición u operadores que satisfacen incoherencia o condiciones tipo RIP; excluye señales arbitrarias sin estructura compresible, procesos de medición que no pueden diseñarse o aleatorizarse y escenarios donde el coste o la latencia de reconstrucción es prohibitivo.

Tensión semántica

Tensión entre complejidad de la medición y robustez de la reconstrucción: diseños de medición más estructurados y prácticos en hardware (p. ej., Fourier parcial, matrices aleatorias estructuradas) facilitan la implementación pero pueden requerir supuestos de incoherencia más fuertes o más mediciones frente a conjuntos totalmente aleatorios que son teóricamente más informativos.

Síntesis

El Sensado Comprimido es una teoría y metodología que intercambia mediciones por cómputo: diseñando mediciones incoherentes con una representación dispersa y usando algoritmos de recuperación que promueven sparsidad, permite la reconstrucción precisa a partir de muchas menos muestras lineales que el muestreo clásico bajo supuestos estructurales adecuados.