法國原子能委員會電子與信息技術實驗室（CEA-Leti）近日發表了Wissam Benjilali的博士論文，題為“Exploring analog-to-information CMOS image sensor design taking advantage on recent advances of compressive sensing for low-power image classification”。
近年來CMOS圖像傳感器（CIS）領域研究進展逐漸促進了研究者重新審視標準圖像采集和處理流程，以實現片上高級圖像處理應用，如決策等。盡管技術節點演進和3D集成已帶來巨大成就，但由于感知和處理的數據量巨大以及實現最先進決策算法的硬件成本高昂，設計具有片上決策能力的CMOS圖像傳感器架構仍然是一項具有挑戰性的任務。
在該背景下，誕生了壓縮感知（Compressive Sensing，簡稱CS）作為信號采集的替代方案，即用壓縮表示方式感知數據。當基于隨機生成傳感模型時，CS可通過減少模數轉換以及數據片外吞吐量來大幅節省硬件，同時為信號恢復和信號處理提供有意義的信息。傳統上，CS在CMOS圖像傳感器應用中被用于壓縮任務，并與涉及高級算法復雜度的遠程信號恢復算法相結合使用。為了降低這種復雜性，CS的信號處理為直接在CS測量時進行信號處理（且無顯著性能損失）提供了堅實的理論基礎，同時也為低功耗智能傳感器節點的設計提供了新思路。此論文基于算法和硬件研究路線，闡述了如何利用壓縮感知技術，采用高效片上決策算法來設計低功耗傳感器節點。
主要壓縮感知成像技術分類圖
該論文在概述壓縮感知和機器學習領域（尤其關注硬件實現）之后，呈現了本研究用于設計緊湊型CMOS圖像傳感器架構的高效感知方案和決策方法的四項主要成果。首先，分析探討了對于高度受限硬件來說解決CS測量的基本推理任務問題。其目的是尋找最優設置來執行壓縮感知的測量決策。
簡單闡述CS感知方案的2D示意圖
其次，該論文提出一種新型CMOS圖像傳感器應用傳感方案。該方案旨在滿足理論和硬件兩方面要求，研究證明該傳感模型適用于CMOS圖像傳感器應用，可同時處理圖像繪制和片上決策任務。另一方面，為了解決標準決策算法所涉及的片上計算復雜度問題，探討了構建層次推理樹的新方法，以減少與片上多類別推理任務相關的MAC操作。當層次推理與壓縮感知相結合時，可實現聯合采集處理最優化。
圖為偽隨機調制和排列壓縮圖像傳感器的頂層架構
最終，本研究所有成果即可形成一種緊湊型CMOS圖像傳感器架構，可通過研究所提及的CS傳感方案來實現片上目標識別，從而減少了片上存儲的需求。與使用一階增量Sigma-Delta模數轉換器（ADC）的標準CMOS圖像傳感器架構相比，該方案僅需的額外硬件為偽隨機數據混合電路、+/-1 in-Sigma-Delta調制器和小型數字信號處理器（DSP）。另外，論文中還提出多種硬件優化方案，以適應未來超低功耗（≈μW）CMOS圖像傳感器設計的需求。
圖為該架構不同層次GIT-10 SVM的識別精度
關于壓縮感知（CS）
壓縮感知（Compressed Sensiong，CS）是在采樣過程中即完成了數據壓縮的過程。壓縮感知理論是2006年美國科學院院士D.Donoho、E.Candes及華裔科學家陶哲軒正式提出。它指明，信號在某個變換域如果是可以被壓縮或者稀疏的，就能將高維信號的變換系數投影到低維空間，而僅利用與變換矩陣不相干的觀測矩陣，得到信號的少量的重要信息，即這種投影保留了重建該信號所需的信息，而后通過求解最優化問題，就能夠從低維觀測向量精確的重構出原始高維信號。壓縮感知有兩個前提條件：稀疏性（sparsity）和不相關性（incoherence）。目前壓縮感知理論已經在多領域有著廣泛應用，如醫療成像、數據壓縮、信息編碼、統計估計以及天文學等領域。
