法国原子能委员会电子与信息技术实验室（CEA-Leti）近日发表了Wissam Benjilali的博士论文，题为“Exploring analog-to-information CMOS image sensor design taking advantage on recent advances of compressive sensing for low-power image classification”。
近年来CMOS图像传感器（CIS）领域研究进展逐渐促进了研究者重新审视标准图像采集和处理流程，以实现片上高级图像处理应用，如决策等。尽管技术节点演进和3D集成已带来巨大成就，但由于感知和处理的数据量巨大以及实现最先进决策算法的硬件成本高昂，设计具有片上决策能力的CMOS图像传感器架构仍然是一项具有挑战性的任务。
在该背景下，诞生了压缩感知（Compressive Sensing，简称CS）作为信号采集的替代方案，即用压缩表示方式感知数据。当基于随机生成传感模型时，CS可通过减少模数转换以及数据片外吞吐量来大幅节省硬件，同时为信号恢复和信号处理提供有意义的信息。传统上，CS在CMOS图像传感器应用中被用于压缩任务，并与涉及高级算法复杂度的远程信号恢复算法相结合使用。为了降低这种复杂性，CS的信号处理为直接在CS测量时进行信号处理（且无显著性能损失）提供了坚实的理论基础，同时也为低功耗智能传感器节点的设计提供了新思路。此论文基于算法和硬件研究路线，阐述了如何利用压缩感知技术，采用高效片上决策算法来设计低功耗传感器节点。
主要压缩感知成像技术分类图
该论文在概述压缩感知和机器学习领域（尤其关注硬件实现）之后，呈现了本研究用于设计紧凑型CMOS图像传感器架构的高效感知方案和决策方法的四项主要成果。首先，分析探讨了对于高度受限硬件来说解决CS测量的基本推理任务问题。其目的是寻找最优设置来执行压缩感知的测量决策。
简单阐述CS感知方案的2D示意图
其次，该论文提出一种新型CMOS图像传感器应用传感方案。该方案旨在满足理论和硬件两方面要求，研究证明该传感模型适用于CMOS图像传感器应用，可同时处理图像绘制和片上决策任务。另一方面，为了解决标准决策算法所涉及的片上计算复杂度问题，探讨了构建层次推理树的新方法，以减少与片上多类别推理任务相关的MAC操作。当层次推理与压缩感知相结合时，可实现联合采集处理最优化。
图为伪随机调制和排列压缩图像传感器的顶层架构
最终，本研究所有成果即可形成一种紧凑型CMOS图像传感器架构，可通过研究所提及的CS传感方案来实现片上目标识别，从而减少了片上存储的需求。与使用一阶增量Sigma-Delta模数转换器（ADC）的标准CMOS图像传感器架构相比，该方案仅需的额外硬件为伪随机数据混合电路、+/-1 in-Sigma-Delta调制器和小型数字信号处理器（DSP）。另外，论文中还提出多种硬件优化方案，以适应未来超低功耗（≈µW）CMOS图像传感器设计的需求。
图为该架构不同层次GIT-10 SVM的识别精度
关于压缩感知（CS）
压缩感知（Compressed Sensiong，CS）是在采样过程中即完成了数据压缩的过程。压缩感知理论是2006年美国科学院院士D.Donoho、E.Candes及华裔科学家陶哲轩正式提出。它指明，信号在某个变换域如果是可以被压缩或者稀疏的，就能将高维信号的变换系数投影到低维空间，而仅利用与变换矩阵不相干的观测矩阵，得到信号的少量的重要信息，即这种投影保留了重建该信号所需的信息，而后通过求解最优化问题，就能够从低维观测向量精确的重构出原始高维信号。压缩感知有两个前提条件：稀疏性（sparsity）和不相关性（incoherence）。目前压缩感知理论已经在多领域有着广泛应用，如医疗成像、数据压缩、信息编码、统计估计以及天文学等领域。
