QCS-SGM+: Amélioration du Sensing Comprimé Quantifié avec des Modèles Généraux Basés sur les Scores

Dans le sensing comprimé (CS) pratique, les mesures obtenues nécessitent généralement une quantification à un nombre de bits limité avant transmission ou stockage. Ce processus de quantification non linéaire pose des défis significatifs en matière de récupération, en particulier avec une quantification extrêmement grossière comme 1-bit. Récemment, un algorithme efficace appelé QCS-SGM a été proposé pour le CS quantifié (QCS) qui utilise des modèles génératifs basés sur les scores (SGM) comme prior implicite. En raison de l'habileté des SGM à capturer les structures complexes des signaux naturels, QCS-SGM surpasse considérablement les méthodes QCS précédentes. Cependant, QCS-SGM est contraint à des matrices de détection (approximativement) orthogonales par lignes, car le calcul du score de vraisemblance devient ingérable autrement. Pour remédier à cette limitation, nous introduisons une variante avancée de QCS-SGM, appelée QCS-SGM+, capable de traiter efficacement des matrices générales. L'idée clé est une perspective d'inférence bayésienne sur le calcul du score de vraisemblance, où la propagation des attentes est employée pour son calcul approximatif. Des expériences approfondies sont menées, démontrant la supériorité substantielle de QCS-SGM+ sur QCS-SGM pour des matrices de détection générales au-delà de la simple orthogonalité par lignes.